基于层次强化学习（RLWE）的转换方法，用于生成具有隐私保护功能的、可撤销的指纹模板，并支持嵌入式硬件验证

《Scientific Reports》：Hierarchical RLWE-based transformation for privacy-preserving and revocable fingerprint template generation with embedded hardware validation

　　

摘要

在本文中，我们提出了一种基于层次化环状LWE（Ring-LWE）的框架，用于通过使用环状LWE变换生成可撤销的指纹特征。该方法首先利用相关算法根据指纹的强度、方向、频率和相位特性生成四元数特征表示。随后对这些四元数特征进行处理和量化，以生成环状LWE加密系统所需的多项式环表示。采用两层层次化的环状LWE变换来生成具有隐私保护功能的可撤销转换模板，以实现包括实际不可关联性、多样性和抗重建性在内的可撤销生物特征属性。此外，我们还利用基于深度学习的分类技术来区分真实的指纹样本和伪造样本。我们在FVC2002和FVC2004等基准指纹数据库上进行了实验。实验结果表明，所提出的系统具有较高的准确性和较低的错误率。进一步的实证安全性评估（包括跨密钥不可关联性分析、盲目重建攻击分析和模板碰撞分析）证明，在所考虑的威胁环境下，该系统能够有效抵抗模板关联和重建攻击。为了验证其部署可行性，该框架还在Raspberry Pi平台上进行了实现，证明了其在资源受限环境中的低推理延迟。总体而言，所提出的框架提供了一种轻量级的后量子时代可撤销生物特征转换框架，它结合了基于RLWE的理论构想和实证的系统级安全性评估，在评估的威胁模型下降低了指纹的重建和关联难度。