使用深度学习与生物识别面部和手指静脉数据的密码密钥生成
Tsehayu Gizachew Yirga1, Hailu Gizachew Yirga2, Eshetie Gizachew Addisu3
1Department of Computer Science, College of Computing and Informatics, Mekdela Amba University, Tulu Awlia, Ethiopia.
Frontiers in artificial intelligence
|May 14, 2025
概括
这项研究引入了一种新的生物识别加密方法,使用面部和手指静脉数据来安全生成密钥. 它实现了高精度和后量子安全性,优于现有技术.
科学领域:
- 计算机科学 计算机科学
- 密码学 密码学 密码学 密码学
- 生物识别信息 生物识别信息
背景情况:
- 传统的加密密钥生成面临着安全性和可重复性挑战.
- 生物识别系统提供独特的标识符,但需要强大的密钥导出方法.
研究的目的:
- 开发一种使用多式生物识别 (面部和手指静脉) 的新型加密密钥生成系统.
- 通过深度学习和模糊提取器来提高加密密钥的安全性和可重复性.
- 为了确保生成的加密密钥的后量子安全性.
主要方法:
- 使用预训练的深度学习模型 (FaceNet,VGG19) 来进行生物识别特征提取.
- 采用罗神经网络 (SNN) 进行特征集成和模糊提取器进行密钥生成.
- 应用功能融合,预处理和值,以实现强大的二进制密钥转换.
- 集成的Goppa基于代码的加密系统,用于后量子弹性.
主要成果:
- 使用矢量转换器实现了高精度,显示了93%的西格玛相似性和64.0%的西格玛差异.
- 显著改善了绩效指标,虚假拒绝率 (FRR) <3.4%和虚假接受率 (FAR) <1%.
- 与以前的方法相比,生物识别密码学证明了提高准确性和弹性.
结论:
- 拟议的多模式生物识别加密系统为密钥生成提供了一种安全,准确和可重复的方法.
- 该系统提供了针对攻击的增强弹性,并确保了后量子安全性.
- 这项研究为未来的抗量子和可扩展的生物识别加密解决方案奠定了基础.
