基于对抗风格转移的合成电磁图形可以有效地攻击基于生物识别的个人识别模型

科学领域:

• 生物识别和网络安全
• 机器学习和信号处理

背景情况:

• 电肌图 (EMG) 信号被用于生物识别,因为它们的复杂性和个体特征.
• 目前用于基于EMG的识别的深度学习模型被认为是对伪造的生物输入安全的.

研究的目的:

• 调查基于EMG的识别模型对抗生物攻击的脆弱性.
• 开发一种用于生成模仿个体独特信号风格的合成EMG信号的新方法.

主要方法:

• 使用了一个具有个人风格变压器的生成对抗网络 (GAN).
• 该方法利用微小的泄漏EMG数据段来提取个人信号风格.
• 为了攻击深层EMG分类器,生成了具有多样内容但一致的个人风格的合成EMG信号.

主要成果:

• 拟议的攻击在混识别模型中实现了99.41%的平均成功率.
• 在操纵识别模型方面,获得了91.51%的平均成功率.
• 该攻击在使用18名受试者的数据对抗三种公认的深度EMG分类器时表现出了高效率.

结论:

• 基于深度神经网络的EMG分类器容易受到复杂的合成数据攻击.
• 这些发现强调了在设计强大的生物识别系统时需要考虑合成生物信号生成的必要性.
• 确保个人身份安全需要解决对抗性合成数据的潜在漏洞.