The Privacy ZEBRA: Zero Evidence Biometric Recognition Assessment
越来越多的隐私立法要求保护语音技术中的隐私，尽管解决方案严重缺乏。虽然评价活动是长期以来证明有效的推动进展的工具，但考虑隐私对手的必要性意味着传统的评价方法必须适应对隐私和隐私保护解决方案的评估。本文介绍了在这个方向上的第一步：指标。我们介绍了零证据生物识别评估（ZEBRA）框架，并提出了两个新的隐私度量。它们衡量的是特定保障措施为人口提供的隐私保护的平均水平，以及个人在最坏情况下的隐私泄露。本文展示了他们的隐私保护评估的范围内的VoicePrivacy挑战的应用。虽然ZEBRA框架的设计考虑到语音应用程序，它是一个候选人纳入生物特征信息保护标准，并很容易扩展到隐私的研究，甚至超越语音和生物特征识别的应用程序。
2020-05-20 cs.CR eess.AS
Privacy issues on biometric systems
Escola Universitaria Politècnica de Mataró（马塔罗理工学院）
在21世纪，人们对隐私问题有着浓厚的兴趣。技术允许在未经个人同意的情况下获取个人信息，计算机使分享和处理这些信息成为可能，这可能带来破坏性的影响。从某种意义上说，生物特征信息是个人信息，所以当有人声称生物特征信息是对个人隐私的企图时，重要的是要有意识地了解什么是真的，什么是假的。在本文中，涉及到这个问题的关键点。
2022-02-23 cs.CR cs.LG
Privacy-Preserving Population-Enhanced Biometric Key Generation from Free-Text Keystroke Dynamics
生物特征密钥生成技术用于从生物特征信号可靠地生成密码材料。现有的构造要求用户执行特定的活动（例如，键入或说出密码，或提供手写签名），因此不适合于连续地生成密钥。在本文中，我们提出了一种新的技术，生物特征密钥生成的自由文本密码动态。这是第一个适合连续密钥生成的技术。我们的方法是基于一个缩放的奇偶校验码的密钥生成（和随后的密钥重建），并可以增加人口数据的使用，以提高安全性和减少密钥重建错误。特别是，我们依赖于线性判别分析（LDA），以获得更好的表示可辨别的生物特征信号。为了在更新LDA矩阵的同时不泄露用户的生物特征信息，设计了一种基于同态加密的可证明安全的隐私保护协议（PP-LDA）。我们使用PP-LDA的生物特征密钥生成在486个用户的数据集上进行了评估。我们报告使用LDA时的相等出错率约为5%，而不使用LDA时低于7%。
2014-07-16 cs.CR
Emerging Biometric Modalities and their Use: Loopholes in the Terminology of the GDPR and Resulting Privacy Risks
技术进步使生物识别应用比以往任何时候都更加无所不在。本文认为，在目前的欧盟数据保护法规，分类应用程序使用的生物特征数据得到较少的保护相比，生物特征识别。我们分析了监管语言中的先决条件，并探讨了这如何有可能成为基于情感等软特征对个人进行分类的处理操作的独特隐私风险的来源。这可能会对个人自由和人权产生重大影响，因此应进行数据保护影响评估。
2022-11-23 cs.CR cs.CY
Cancellable Template Design for Privacy-Preserving EEG Biometric Authentication Systems
作为一种有希望的补充传统的生物特征识别模式，基于脑电数据的脑生物特征识别近年来受到了广泛的关注。然而，与指纹、人脸识别等现有的生物特征识别技术相比，脑电生物特征识别技术的研究还处于起步阶段。大多数研究集中在从神经科学的角度设计信号激发协议或从机器学习的角度开发特征提取和分类算法。这些研究为使用EEG作为生物特征认证模式的可行性奠定了基础，但由于EEG数据包含敏感信息，它们也引起了安全和隐私问题。现有的研究已经使用散列函数和加密方案来保护EEG数据，但是它们不提供如在可撤销模板设计中的撤销受损模板的功能。本文提出了第一个用于基于隐私保护的EEG认证系统的可撤销EEG模板设计，该模板可以保护包含敏感隐私信息（例如，身份、健康和认知状态）。提出了一种基于脑电图形特征和不可逆变换的可撤销脑电模板。建议的转换提供了可取消的模板，同时利用EEG启发协议融合，以提高生物识别性能。所提出的认证系统提供了等效的认证性能（8.58\% EER的公共数据库），在非变换域，同时保护原始EEG数据。此外，我们分析了系统的能力，抵御多种攻击，并讨论了一些被忽视的，但关键的问题和可能的陷阱，涉及爬山攻击，二次攻击，和基于分类的认证系统。
2022-03-31 cs.CR
PABAU: Privacy Analysis of Biometric API Usage
Norwegian Computing Center（挪威计算中心）
针对大数据时代应用中生物识别数据易被滥用的隐私问题，提出PABAU方法，通过学习生物识别API方法的语义特征按隐私行为分类，弥合组织内技术与非技术人员的认知差距，为数据保护合规工作提供支持。
2022-12-21 cs.CR cs.LG cs.SE
Comments on a recently proposed Privacy Preserving Lightweight Biometric Authentication System for IoT Security
在本文中，我们表明，最近发布的轻量级适应指纹匹配算法称为细节特征识别码可能是不安全的入侵者可能能够非法但成功地验证自己的系统正在考虑。我们还表明，轻量级的适应有其他隐私相关的漏洞，使其不适合用于生物识别。我们明确表示，我们既不调查也不评论原始细节编码算法本身的安全性，而是强调轻量级适应的漏洞。在这个过程中，我们提供了一个高层次的概述单向函数在密码学和生物识别中的作用，为上述轻量级算法及其不足之处提供了一个背景。
2019-10-12 cs.CR
Biometric Bound Credentials for Age Verification
本文提出生物特征绑定凭证（BBCreds），通过密码学绑定年龄凭证与生物特征且不存储模板，实现隐私保护的年龄验证，防止凭证共享并增强隐私。
2025-09-09 cs.CR
Privacy-Preserving Speaker Recognition with Cohort Score Normalisation
在许多语音生物识别应用中，都需要保护隐私，尤其是因为最近实施的《通用数据保护条例》（GDPR）。虽然将隐私保护引入语音生物识别的进展落后于其他生物识别领域的发展，但近年来取得了快速进展，安全计算机制（如同态加密）已成功应用于说话人识别。即便如此，在加密域中处理语音数据所引起的计算开销是相当大的。虽然对于单个生物特征比较仍然是可以容忍的，但大多数最先进的系统执行某种形式的基于队列的分数归一化，需要数千次生物特征比较。计算开销是禁止的，这意味着必须接受性能下降（没有分数归一化）或隐私侵犯的可能性。本文提出了第一个计算上可行的方法来保护隐私的队列评分标准化。我们的解决方案是基于安全多方计算的队列修剪方案，该方案使用概率线性判别分析（PLDA）比较来实现隐私保护分数归一化。该解决方案对二进制语音表示进行操作。虽然二进制化在生物计量等级-1性能方面是有损的，但它支持在加密域中计算上可行的生物计量等级-n比较。
2019-07-08 cs.CR eess.AS
Inference-Based Similarity Search in Randomized Montgomery Domains for Privacy-Preserving Biometric Identification
相似性搜索对于许多重要的应用是必不可少的，并且通常涉及基于其与查询的相似性对高维数据进行大规模搜索。在生物识别应用中，最近的漏洞研究表明，对抗性机器学习可以通过利用生物识别相似性信息来危害生物识别系统。现有的生物计量隐私保护方法通常基于安全生物计量模板的成对匹配，并且在搜索效率和可扩展性方面具有固有的限制。在本文中，我们提出了一个基于推理的框架，隐私保护的相似性搜索在汉明空间。我们的方法建立在一个模糊的距离测量，可以隐藏汉明距离在一个动态的间隔。这样的机制使我们能够系统地设计统计可靠的方法来检索最有可能的候选人，而不知道确切的距离值。我们进一步建议应用蒙哥马利乘法生成搜索索引，可以承受对抗性的相似性分析，并表明随机蒙哥马利域的信息泄漏可以忽略不计的小。我们在公共生物特征数据集上的实验表明，基于推理的方法可以实现接近安全计算方法的最佳性能的搜索精度，但与加密原语相比，相关的成本降低了几个数量级。
2017-11-05 cs.CR cs.IR
An Example of Privacy and Data Protection Best Practices for Biometrics Data Processing in Border Control: Lesson Learned from SMILE
生物识别是一种高度采用的技术，以支持不同类型的应用，从安全和访问控制应用到低强制应用。然而，这样的系统引起了严重的隐私和数据保护问题。滥用数据、损害个人隐私和/或授权处理数据可能是不可逆转的，并可能对个人的隐私权和数据保护造成严重后果。这部分是由于在系统开发过程中缺乏通过设计将数据保护和隐私相结合的方法和指导。在本文中，我们提供了一个隐私和数据保护最佳实践的示例，为数据控制者和开发人员如何遵守数据保护的法律义务提供更多指导。这些隐私和数据保护最佳实践和注意事项是基于从欧洲陆地边界智能移动（SMILE）项目中吸取的经验教训。
2022-01-10 cs.CR cs.CY
Privacy-Protecting Techniques for Behavioral Biometric Data: A Survey
TU Dresden（德累斯顿工业大学）；KASTEL Security Research Labs, KIT（卡尔斯鲁厄理工学院卡斯特安全研究实验室）；Paderborn University（帕德博恩大学）
本文综述了保护行为生物特征数据隐私的匿名化技术，分析了不同行为特征的隐私保护方法及存在的不足。
2023-01-05 cs.CR
THRIVE: Threshold Homomorphic encryption based secure and privacy preserving bIometric VErification system
在本文中，我们提出了一个新的生物特征验证和模板保护系统，我们称之为THRIVE系统。该系统包括新的注册和认证协议的基础上的阈值同态密码系统的私钥之间的用户和验证者共享。在THRIVE系统中，只有加密的二进制生物特征模板存储在数据库中，并且通过同态随机化模板进行验证，因此，在认证阶段不会泄露原始模板。THRIVE系统是针对恶意模型而设计的，其中作弊方可以任意偏离协议规范。由于使用了门限同态加密方案，恶意数据库所有者无法对数据库中用户的加密模板执行解密。因此，使用涉及用户的私钥和生物特征数据的双因素认证方案来增强THRIVE系统的安全性。我们证明了该系统的安全性和隐私保护能力，在基于模拟的模型，没有任何假设。该系统适用于用户不想以简单的形式向验证者透露她的生物特征，但她需要通过使用生物特征来证明她的物理存在的应用。该系统可以与任何生物计量模态和生物计量特征提取方案一起使用，其输出模板可以被二进制化。对于在10 Mbit/s上行/下行链路连接速度下运行四核3.2 GHz CPU的台式PC上的256位biohash向量，所提出的THRIVE系统的总体连接时间估计为平均336 ms。因此，所提出的系统可以有效地用于现实生活中的应用。
2014-09-29 cs.CR
ZK-SERIES: Privacy-Preserving Authentication using Temporal Biometric Data
提出ZK-SERIES，利用零知识证明为时间序列生物特征认证提供隐私保护，在旧智能手机上1.3秒内完成认证。
2025-06-24 cs.CR
Homomorphic Encryption for Speaker Recognition: Protection of Biometric Templates and Vendor Model Parameters
Hochschule Darmstadt（达姆施塔特应用技术大学）
在处理生物识别数据时，数据隐私至关重要。考虑到最新的欧洲数据隐私法规和支付服务指令，生物识别模板保护对于任何商业应用都至关重要。确保生物识别服务运营商之间的不可链接性、泄露的加密模板的不可逆性以及例如语音模型遵循i-vector范式，基于生物识别语音的系统是为最新的欧盟数据隐私立法做准备的。采用Paillier密码系统，欧几里得和余弦比较器已知可确保数据隐私要求，而不会损失辨别力或校准性能。为弥补从模板保护到说话人识别的差距，提出了两种结构的双协方差比较器，作为本研究中的生成模型。第一种架构保护生物特征数据捕获主体的隐私。在第二架构中，比较器的模型参数也被加密，使得生物特征服务提供商可以向多个生物特征服务运营商提供采用不同密钥对的相同比较模块。对2013-2014年NIST i-vector机器学习挑战赛的数据进行了实验性概念验证和复杂性分析。
2018-03-09 cs.CR cs.SD eess.AS
Fast and Accurate Likelihood Ratio Based Biometric Comparison in the Encrypted Domain
随着生物特征验证应用的激增，用户变得更容易受到隐私侵犯。生物识别数据对隐私非常敏感，因为它可能包含性别，种族和健康状况等信息，在验证过程中不应与第三方共享。此外，生物识别数据落入坏人之手往往会导致身份盗窃。安全的生物特征验证方案试图克服这种隐私威胁。不幸的是，现有的安全解决方案要么引入了沉重的计算或通信开销，要么必须接受准确性的高损失;这两者都使它们在现实世界中不切实际。本文提出了一种新的方法来安全的生物特征验证，旨在效率和准确性之间的实际权衡，同时保证对诚实，但好奇的对手完全安全。该系统使用基于椭圆曲线的同态ElGamal加密在加密域中执行验证，以提高效率。分类是基于对数似然比分类器，已被证明是非常准确的。在使用双方安全协议的验证过程中不会泄露任何私人信息。初步测试表明，在毫秒范围内计算出的结果非常准确。
2017-05-28 cs.CR
Genomic Encryption of Biometric Information for Privacy-Preserving Forensics
DNA指纹是法医学中人类识别的基石，其中来自个体的高度多态性短串联重复序列（STR）与DNA数据库进行比较。这对数据库中具有DNA图谱的个人带来了重大的隐私风险，因为恶意攻击者可能会访问数据并将其滥用于次要目的。在本文中，我们提出了一种新的加密框架，用于联合加密基于DNA的指纹（STR）与其他生物特征数据，例如，面部图像，这样的STR和生物特征信息的个人透露，只有当一个积极的匹配被发现，即STR作为解密密钥。具体地，当使用数据库中的个体的STR序列对加密数据库执行搜索时，完美匹配生成个体的面部图像和/或其他生物特征，而缺乏匹配返回空结果。通过使用唯一的STR生成的密钥联合加密DNA指纹和其他生物特征，我们的方法确保了加密信息的完美隐私，仅解密与查询匹配的STR的记录。这保护了同一数据库中其他个人的信息。所提出的方法还可以用于在法医学之外的场景中安全地认证个人或生物材料的身份，包括跟踪用于临床遗传学和细胞疗法的样本的身份。
2021-03-26 cs.CR q-bio.GN
PassBio: Privacy-Preserving User-Centric Biometric Authentication
在线生物特征认证的扩散使得生物特征模板的安全要求成为必要。现有的安全生物特征认证方案以服务器为中心的模型为特征，其中服务提供商维护生物特征数据库并完全负责模板的安全性。最终用户必须完全信任服务器来存储、处理和管理他们的私有模板。因此，最终用户的模板可能会受到外部攻击者甚至服务提供商本身的攻击。在本文中，我们提出了一个以用户为中心的生物认证方案（PassBio），使最终用户能够加密自己的模板与我们提出的轻量级加密方案。在身份验证期间，所有模板都保持加密状态，因此服务器永远不会直接看到它们。然而，服务器能够确定两个加密模板的距离是否在预定义阈值内。我们的安全性分析表明，没有关键信息的模板可以透露下被动和主动攻击。PassBio遵循加密数据的“计算然后比较”计算模型。更具体地说，我们提出的阈值谓词加密（TPE）方案可以加密两个向量x和y的方式，可以评估x和y的内积，并与预定义的阈值进行比较。TPE保证只显示比较结果，而不会获知关于x和y的关键信息。此外，我们表明，TPE可以作为一个灵活的积木，以评估不同的距离度量，如汉明距离和欧几里得距离加密数据。TPE支持的这种先计算后比较的计算模型可以广泛应用于许多有趣的应用中，例如在确保数据安全性和隐私的同时搜索加密数据。
2017-11-14 cs.CR
A Generic Privacy-Preserving Protocol For Keystroke Dynamics-Based Continuous Authentication
连续身份验证利用某些用户特征的自动识别来进行无缝和被动身份验证，而无需用户注意。这些特征可以分为生理生物特征和行为生物特征。提出了一种基于用户输入模式的击键动力学认证方法。然而，已经指出，使用生理生物测定和行为生物测定的连续认证会带来隐私风险，暴露个人特征和活动。在本文中，我们考虑了以前提出的基于动态的认证方案，没有隐私保护属性。在这方面，我们提出了一个通用的隐私保护版本的身份验证方案，其中所有的用户功能都是加密的-防止这些身份验证服务器的披露。我们的计划是通用的，在这个意义上，它假设同态密码原语。由于我们的协议的同态密码属性的加密数据的基础上进行认证。
2022-09-14 cs.CR
BioZero: Privacy-Preserving and Publicly Verifiable On-Chain Biometric Authentication via Homomorphic Commitments and Zero-Knowledge Proofs
Shenzhen University（深圳大学）；The Chinese University of Hong Kong（香港中文大学）
BioZero通过同态承诺和零知识证明实现去中心化身份系统中隐私保护的生物识别认证，支持链上公开验证，降低网络调整总认证延迟并提升证明效率。
2026-11-03 cs.CR
A Theoretical Analysis of Authentication, Privacy and Reusability Across Secure Biometric Systems
我们提出了一个理论框架，分析在安全的生物特征认证系统的隐私和安全权衡。我们使用这个框架进行比较信息理论分析的两个生物识别系统是基于线性纠错码，即模糊承诺和安全草图。我们推导出这些系统的错误拒绝（$P_{FR}$）和错误接受（$P_{FA}$）的概率上限。我们使用互信息来量化泄漏的信息有关用户的生物特征的身份，在该情况下，一个或多个生物特征注册的用户被完全或部分地妥协。我们还量化的成功攻击的概率（$P_{SA}$）的基础上受损的信息。我们的分析表明，模糊承诺和安全草图系统具有相同的$P_{FR}, P_{FA}, P_{SA}$和信息泄漏，但安全草图系统具有较低的存储要求。我们分析了单因素（无钥匙）和双因素（基于密钥）的安全生物特征的变体，并考虑最一般的情况下，一个单一的用户可能会提供嘈杂的生物特征注册在几个访问控制设备，其中一些随后可能会受到攻击者。我们的分析强调了基于密钥的系统的可撤销性和可重用性，并揭示了减少受损系统的信息泄露和防止对数据未受损系统的成功攻击之间的微妙设计权衡。
2011-12-23 cs.CR cs.IT math.IT
Privacy Preserving Face Recognition Utilizing Differential Privacy
面部识别技术在许多领域都有应用，包括但不限于公民监控、犯罪控制、活动监控和面部表情评估。然而，处理生物特征信息是一项资源密集型任务，通常涉及第三方服务器，这些服务器可能会被恶意攻击者访问。以不受控制的方式传递到不受信任的第三方服务器的生物识别信息可以被认为是重大的隐私泄露（即不受控制的信息发布），因为生物识别信息可能与敏感数据（如医疗保健或财务记录）相关。在本文中，我们提出了一个隐私保护技术的“受控信息发布”，在那里我们伪装原始的人脸图像，并防止泄漏的生物特征，同时确定一个人。我们介绍了一种新的隐私保护人脸识别协议PEEP（隐私使用EigEnface扰动），利用本地差分隐私。PEEP利用差分隐私对特征脸应用扰动，并仅将扰动的数据存储在第三方服务器中以运行标准的特征脸识别算法。因此，经过训练的模型不会受到隐私攻击，如成员推断和模型记忆攻击。我们的实验表明，PEEP在标准隐私设置下表现出约70% - 90%的分类准确率。
2020-07-04 cs.CR cs.DB
A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data
本文指出现有面部与步态生物特征匿名化评估因假设弱对手而高估隐私效果，提出知晓匿名化的强对手及改进的数据集选择方法，通过最坏情况性能度量实现可靠评估。
2024-07-09 cs.CR
Exploiting Multimodal Biometrics in E-Privacy Scheme for Electronic Health Records
现有的方法来保护隐私的电子健康记录是不够的，现有的医疗法律或他们是过于限制他们的使用。例如，基于灵巧卡的加密系统要求患者始终在场以授权访问医疗记录。由50名医生管理的问卷，以确定和分类不同的电子健康记录属性。该系统采用JAVA和MySQL数据库开发工具，利用患者的多种生物特征信息实现院前监护病历的查询。该系统提供了适用的安全性，当病人的记录与其他从业人员，雇主，组织或研究机构共享。系统评估的结果表明，经过10次不同的模拟，指纹和虹膜的平均响应时间分别为6秒和11.1秒。该系统通过限制暴露给用户的数据量来保护隐私和机密性。该系统还使紧急医疗技术人员能够轻松可靠地访问患者电子健康记录的必要属性，同时仍然使用患者指纹和虹膜来维护数据的隐私和机密性。
2015-02-04 cs.CR cs.CY
Benchmarking and challenges in security and privacy for voice biometrics
VoicePrivacy organising committees
几十年来，语音技术的研究一直集中在提高可靠性上。随着这一点现在满足用户对各种应用的期望，语音技术今天无处不在。因此，对安全和隐私的关注现在已经成为当务之急。在这里，研究工作处于相对初期阶段，需要与安全，隐私，法律和道德专家等进行更多的多学科合作。这种合作目前正在进行中。为了帮助促进这些努力，本文提供了一些相关研究的高层次概述。它针对非语音受众，并描述了基准测试方法，该方法引领了传统研究的进展，现在推动了与语音生物识别相关的最新安全和隐私举措。我们描述：ASVspoof挑战与欺骗对策的发展有关;语音隐私倡议，促进隐私保护匿名化的研究。
2021-09-01 cs.CR cs.SD eess.AS
Protecting Persona Biometric Data: The Case of Facial Privacy
本文提出面部隐私概念，梳理多国及地区隐私法律框架，分析不受监管的面部识别的隐私威胁与社会危害，提出以不可剥夺权利为核心的新政策框架以应对技术扩张带来的隐私风险。
2025-10-03 cs.CR cs.CY
Generative Adversarial Networks Applied for Privacy Preservation in Biometric-Based Authentication and Identification
Brno University of Technology, Faculty of Information Technology（布拉格技术大学信息科技学院）
本文提出一种基于生成对抗网络（GAN）的身份验证方法，将人脸图像转换为视觉私有域（如花朵或鞋子）以保护隐私，实验表明该方法对攻击鲁棒且保持效用。
2025-09-24 cs.AI cs.CR cs.CV
Biometric Technologies and the Law: Developing a Taxonomy for Guiding Policymakers
本文针对生物特征识别技术监管滞后问题，通过文献综述构建技术分类法，以帮助决策者理解技术并制定优先保护隐私和个人数据的法规。
2023-10-27 cs.CR cs.CY
Multi-Biometric Fuzzy Vault based on Face and Fingerprints
secunet Security Networks AG（赛库耐特安全网络股份公司）；Federal Office for Information Security（联邦信息安全办公室）
模糊保险库方案已被建立为适合于隐私保护的生物认证的密码原语。为了提高准确性和隐私保护，多个特征的生物特征信息可以在特征级融合，然后将其锁定在模糊保险库中。我们构建了一个基于人脸和多个指纹的多生物特征模糊保险库。在由FRGCv 2人脸和MCYT-100指纹数据库构建的多生物特征数据库上，在30位以上的错误接受安全性下实现了完美的识别准确率。此外，我们提供了一个形式化的特征级融合在多生物特征模糊保险库，在此基础上，相关的安全问题进行了阐述。所述安全问题，我们定义的对策，通常被忽视，可能会损害整个系统的安全。
2023-01-17 cs.CR cs.CV
Privacy Attacks Against Biometric Models with Fewer Samples: Incorporating the Output of Multiple Models
University of Connecticut（康涅狄格大学）
认证系统易受模型反演攻击的攻击，其中对手能够近似目标机器学习模型的反演。生物识别模型是这种类型攻击的主要候选者。这是因为反转生物特征模型允许攻击者产生真实的生物特征输入来欺骗生物特征认证系统。进行成功的模型反演攻击的主要约束之一是所需的训练数据的量。在这项工作中，我们专注于虹膜和面部生物识别系统，并提出了一种新的技术，大大减少了所需的训练数据量。通过利用多个模型的输出，我们能够进行模型反演攻击，虹膜数据的训练集大小是Ahmad和Fuller（IJCB 2020）的1/10，面部数据的训练集大小是Mai等人（Pattern Analysis and Machine Intelligence 2019）的1/1000。我们表示我们的新的攻击技术与对齐损失的结构随机。我们的攻击是黑盒的，不需要知道目标神经网络的权重，只需要知道输出向量的维数和值。为了显示对齐损失的多功能性，我们将我们的攻击框架应用于成员推断的任务（Shokri等人，IEEE S&P 2017）的生物识别数据。对于虹膜，对分类网络的成员推断攻击的准确率从52%提高到62%。
2022-09-22 cs.CR cs.CV
AMB-FHE: Adaptive Multi-biometric Fusion with Fully Homomorphic Encryption
Hochschule Darmstadt（达姆施塔特应用科学大学）
本文提出AMB-FHE方法，通过全同态加密对多生物特征参考模板进行联合加密，在运行时自适应安全需求，提升了隐私保护与认证灵活性。
2025-03-31 cs.CR cs.CV
Blind-Match: Efficient Homomorphic Encryption-Based 1:N Matching for Privacy-Preserving Biometric Identification
NAVER Cloud（NAVER云）；Sungkyunkwan University（成均馆大学）
本文提出 Blind-Match，一种基于同态加密的生物识别系统。其通过将特征向量分块处理优化余弦相似度计算，在确保隐私的同时大幅提升 1:N 匹配效率，并在人脸和指纹数据集上以低维特征超越现有方法，实现高精度与大规模实用效率。
2024-10-13 cs.CR cs.CV
Biometric Identification Systems With Noisy Enrollment for Gaussian Source
在本文中，我们调查的基本权衡的识别，保密，存储和隐私泄漏率的生物识别系统隐藏或远程高斯源。我们介绍了一种技术，用于推导出这些速率的容量区域，通过将系统转换为其中的数据流是在单向方向。此外，我们提供了三个不同的例子生成的秘密模型的数值计算。数值结果表明，似乎很难同时实现高保密性和小的隐私泄漏率。此外，作为特殊情况下，表征与一些已知的结果在以前的研究。
2020-10-21 cs.CR cs.IT math.IT
A Framework to Prevent Biometric Data Leakage in the Immersive Technologies Domain
针对沉浸式技术中语音命令特征和面部动态等生物特征数据易被泄露的问题，本文提出一个简单的技术框架，并在六个数据集上验证其有效性和可行性。
2025-05-07 cs.CR
Bidirectional Biometric Authentication Using Transciphering and (T)FHE
针对FHE生物特征认证的密文与密钥管理瓶颈，提出结合TFHE、转加密、可信方和双重加密的BTF，并在虹膜数据上验证传输量最多降低121倍。
2025-06-15 cs.CR
PrivacyNet: Semi-Adversarial Networks for Multi-attribute Face Privacy
Michigan State University（密歇根州立大学）；University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
最近的研究已经建立了从个人的面部图像中以高精度推断诸如年龄、性别和种族等软生物特征属性的可能性。然而，这引起了隐私问题，特别是当为生物识别目的收集的面部图像在未经个人同意的情况下用于属性分析时。为了解决这个问题，我们开发了一种技术，通过图像扰动方法赋予软生物特征隐私的人脸图像。图像扰动是使用基于GAN的半对抗网络（SAN）（称为PrivacyNet）进行的，该网络修改输入面部图像，使其可以被面部匹配器用于匹配目的，但不能被属性分类器可靠地使用。此外，PrivacyNet允许人选择必须在输入面部图像中模糊的特定属性（例如，年龄和种族），同时允许提取其他类型的属性（例如，性别）。使用多个人脸匹配器，多个年龄/性别/种族分类器和多个人脸数据集的广泛实验证明了所提出的多属性隐私增强方法在多个人脸和属性分类器上的通用性。
2021-03-14 cs.CR cs.CV cs.LG
Exploit the Leak: Understanding Risks in Biometric Matchers
LIMOS, Université Clermont-Auvergne, CNRS, Mines Saint-Étienne（利摩日科学与优化实验室、克莱蒙奥弗涅大学、法国国家科学研究中心、圣艾蒂安矿业学院）；LMBP, Université Clermont-Auvergne, CNRS, Mines Saint-Étienne（物理与应用力学实验室、克莱蒙奥弗涅大学、法国国家科学研究中心、圣艾蒂安矿业学院）
本文分析了生物特征匹配器在距离评估中的信息泄漏风险，提供了泄漏场景目录，并以计算成本量化各场景引发的攻击影响，从而评估系统安全水平。
2024-07-30 cs.CR cs.CV
Secure voice based authentication for mobile devices: Vaulted Voice Verification
Securics Inc（Securics公司）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Harvard University（哈佛大学）
随着生物识别技术的使用变得越来越广泛，由生物识别技术的使用引起的隐私问题变得越来越明显。随着移动设备的使用增长，将生物特征识别实现到这样的设备中的期望也增长。绝大多数正在使用的移动设备是移动电话。虽然正在努力将不同类型的生物识别技术应用到移动电话中，例如基于照片的生物识别技术，但语音是更自然的选择。语音作为生物识别的想法已经存在很长时间了。使用语音作为标识符的主要问题之一是语音的不稳定性。我们已经开发了一个解决这些不稳定性并保护隐私的协议。本文描述了一种新的协议，允许用户使用语音在移动/远程设备上进行身份验证，而不会损害他们的隐私。我们首先讨论\vv协议，这是最近在研究文献中介绍，然后描述其局限性。然后，我们介绍了一种新的适应和扩展的拱形验证协议的语音，被称为$V^3$。接下来，我们展示了一个性能评估，然后结束与安全性和未来工作的讨论。
2012-11-30 cs.CR cs.CV
HoneyFaces: Increasing the Security and Privacy of Authentication Using Synthetic Facial Images
University of Haifa（海法大学）；University of Kent（肯特大学）
基于生物特征的认证系统面临的主要挑战之一是需要在保持生物特征数据隐私的同时提供安全认证。以前的解决方案，如安全草图和模糊提取器，依赖于在实践中无法保证的假设，并且经常影响身份验证的准确性。在本文中，我们介绍HoneyFaces：将大量合成面孔（与真实面孔无法区分）添加到生物识别“密码文件”中的概念。这种密码膨胀保护了用户的隐私，提高了系统的安全性，而不会影响身份验证的准确性。特别地，真实用户的隐私是通过将他们“隐藏”在大量的假用户中来提供的（因为合成和真实面部的分布是相等的）。除了保持身份验证的准确性，从而不影响身份验证过程的安全性外，HoneyFaces还提供了几项安全改进：增加了渗透硬度，改进了泄漏检测，以及能够使用HoneyWords中的双服务器设置。最后，HoneyFaces可以与其他生物识别数据的安全和隐私机制相结合。我们实现了HoneyFaces系统，并使用由270个真实用户组成的密码文件对其进行了测试。“密码文件”随后被膨胀以容纳最多$2^{36.5}$用户（产生56.6 TB的“密码文件”）。同时，额外人脸的加入并不影响真接受率和假接受率，真接受率和假接受率分别为93.33%和0.01%。
2016-11-11 cs.CR cs.CV
PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data
Zhejiang University（浙江大学）；University of Virginia（弗吉尼亚大学）；University of North Carolina at Greensboro（北卡罗来纳大学格林斯伯勒分校）；Xi’an Jiaotong University（西安交通大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Peking University（北京大学）；Hangzhou Dianzi University（杭州电子科技大学）
PrivATE是一种基于差分隐私的平均治疗效应估计框架，通过自适应匹配限制平衡噪声误差与匹配误差，提升估计精度。
2025-12-16 cs.CR
When Physical Unclonable Function Meets Biometrics
San Jose State University（圣何塞州立大学）
随着新冠肺炎疫情席卷全球，医疗体系正在重塑，电子医疗概念更有可能被接受。可穿戴设备通常携带来自用户的敏感信息，这些信息暴露于安全和隐私风险。此外，用户一直担心在制造过程和供应商存储之间被假冒。因此，不仅保护个人数据正在成为一项重要义务，而且设备验证也是另一项挑战。为了解决生物特征认证和物理不可克隆功能（PUF）需要到位，以减轻用户的安全性和隐私。在生物识别模态中，基于心电图（ECG）的生物识别已经变得流行，因为它可以认证患者并监测患者的生命体征。然而，研究人员最近开始研究ECG生物识别系统的漏洞，并试图解决欺骗问题。此外，大多数可穿戴设备都配有CPU和内存。因此，基于易失性存储器（NVM）的PUF可以容易地放置在设备中以避免伪造。然而，许多研究对PUFs的不可克隆性提出了挑战。因此，对这些攻击进行仔细研究应足以满足这一需要。在本文中，我们的目的是提供一个全面的研究国家的最先进的发展论文的基础上，生物识别技术使硬件安全。
2020-12-14 cs.CR cs.CV
MultiGait: A Multi-Sensor Multi-Perspective Multi-Session Biometric Inference Benchmark and its Dataset
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
MultiGait是首个多传感器多视角多会话步态数据集及对应基准，研究发现部分隐私友好传感器仍有身份推理风险，现有方法跨会话泛化能力差。
2026-09-02 cs.CR cs.CV
Auditing Differentially Private Machine Learning: How Private is Private SGD?
Khoury College of Computer Sciences, Northeastern University（东北大学胡里计算机科学学院）
我们调查差异私有SGD在实践中是否比其最先进的分析所保证的更好的隐私。我们通过新颖的数据投毒攻击来实现这一点，我们表明这与现实的隐私攻击相对应。虽然先前的工作（Ma等人，arXiv 2019）提出了差分隐私和数据投毒之间的这种联系，作为对数据投毒的防御，我们将其用作理解特定机制隐私的工具是新的。更一般地说，我们的工作采取了定量的，实证的方法来理解的隐私提供的具体实现的差异隐私算法，我们相信有可能补充和影响差分隐私的分析工作。
2020-06-13 cs.CR cs.LG
Inferentially-Private Private Information
针对信息关联导致的隐私泄露问题，提出满足推理隐私约束且遵循Blackwell序的最优私密信息结构设计方法，含二元场景高效发布机制及一般场景规划求解方法，其几何刻画具独立价值。
2024-12-13 cs.CR
Biometric and Physical Identifiers with Correlated Noise for Controllable Private Authentication
研究了在源序列具有隐私和存储约束条件下的基于密钥的认证问题。在认证过程中的标识符测量通道被假定为通过成本约束的动作序列是可控的。单字母的内部和外部边界的密钥泄漏存储成本的区域推导出一个经典的两终端密钥协商模型的推广与窃听者观察到的序列是相关的合法终端观察到的序列。该模型的补充是，编码器观察到一个嘈杂的版本的远程源，和嘈杂的输出和远程源输出与动作序列一起作为输入的测量通道在解码器。因此，在编码器和解码器测量上的噪声分量之间引入相关性。将由编码器产生秘密密钥的模型扩展到随机化模型，其中秘密密钥被嵌入到编码器中。结果与几种用户和设备认证场景相关，包括具有提供多样性和复用增益的多个测量的物理和生物特征标识符。为了说明的速率区域的行为，可实现的（秘密密钥速率，存储速率，成本）元组给出的二进制标识符和测量通道，可以表示为二进制对称子信道的混合物。从使用一个动作序列，如一个大的秘密密钥速率在一个显着的小硬件成本的收益，示出了激励使用低复杂度的变换编码算法与成本约束的行动。
2020-07-23 cs.CR cs.IT cs.MM
Ciphera: A Decentralised Biometric Identity Framework
University of East London（东伦敦大学）
提出Ciphera框架，结合隐私保护面部识别、多节点验证、IPFS凭证元数据存储和区块链锚定撤销，实现去中心化生物特征身份管理，并通过功能、性能、安全性和分布式一致性评估验证其可行性。
2026-05-28 cs.CR cs.CV cs.DC
Connecting Robust Shuffle Privacy and Pan-Privacy
Harvard University（哈佛大学）；Northeastern University（东北大学）；Google New York（谷歌纽约）；University of Pennsylvania（宾夕法尼亚大学）
在差分隐私的\emph{shuffle model}中，数据持有用户向安全混洗器发送随机化消息，混洗器对消息进行置换，并且所得到的消息集合必须相对于用户数据是差异隐私的。在\emph{pan-private}模型中，算法处理数据流，同时保持相对于流数据有区别地私有的内部状态。我们提供证据连接这两个明显不同的模型。我们的结果集中在\emph{robustly}洗牌私有协议，其隐私保证不会受到恶意用户的影响很大。首先，我们给出了鲁棒洗牌私有协议和上界计数不同的元素和一致性测试。其次，我们使用泛私有下界来证明这两个问题的鲁棒洗牌私有下界。研究发现，鲁棒的近似混洗隐私和近似泛隐私算法对不同元素的计数存在加性误差$Θ(\sqrt{k})$.对于均匀性测试，我们给出了一个鲁棒的近似洗牌私有协议的样本复杂性$\tilde O(k^{2/3})$，并表明，一个$Ω(k^{2/3})$依赖是必要的任何强大的纯洗牌私有测试。最后，我们表明，这种连接是有用的，在两个方向：我们给出了一个泛私人适应最近的工作洗牌私人直方图，并用它来恢复泛隐私和交互式本地隐私之间的进一步分离。
2020-08-12 cs.CR cs.LG
Private Graph Data Release: A Survey
近年来，图分析在各个领域的应用产生了巨大的社会和经济效益。然而，图形分析的日益广泛的采用伴随着保护图形数据中的私有信息的需求的相应增加，特别是考虑到真实世界的图形数据中的许多隐私泄露，这些数据本应保留敏感信息。本文提供了一个全面的调查私有图数据发布算法，寻求实现隐私和实用性之间的良好平衡，特别关注可证明的私有机制。这些机制中的许多是差分隐私框架到图形数据的自然扩展，但我们也研究了更一般的隐私公式，如河豚隐私，解决了差分隐私的一些限制。我们还对私有图数据发布机制在社交网络、金融、供应链和医疗保健中的应用进行了广泛的调查。这份调查报告及其提供的分类法应该使越来越重要的私人分析和数据发布领域的从业者和研究人员受益。
2022-06-04 cs.CR
Private Seeds, Public LLMs: Realistic and Privacy-Preserving Synthetic Data Generation
Information Sciences and Technology, The Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院）
本文提出RPSG方法，通过隐私种子和差分隐私机制生成高保真且隐私保护的合成数据，实验验证其在隐私与效用平衡上的优势。
2026-07-14 cs.AI cs.CR
Secure Biometrics: Concepts, Authentication Architectures and Challenges
生物统计学是一种重要且广泛使用的身份验证和访问控制方法。生物特征是有吸引力的，因为它们是个人的固有属性。它们不需要像密码那样被记住，也不像身份证件那样容易丢失或伪造。与此同时，生物计量学从根本上说是嘈杂和不可替代的。给定生物特征的测量值之间总是存在微小的变化，并且与密码或身份证号码不同，生物特征是从不易改变的物理特征中得出的。生物特征使用的扩散引起了关键的隐私和安全问题，由于生物特征的噪声性质，无法使用标准的加密方法来解决。在这篇文章中，我们提出了一个概述“安全的生物识别”，也被称为“生物模板保护”，一类新兴的方法，解决这些问题。
2013-05-21 cs.CR cs.IT math.IT
Concurrent Composition of Differential Privacy
我们发起了一项研究的组成性质的互动差分隐私机制。交互式差异隐私机制是一种允许分析师自适应地询问有关敏感数据集的查询的算法，具有对抗分析师对交互的看法大致相同的属性，无论任何个人的数据是否在数据集中。以前的研究组成的差分隐私集中在非交互式的算法，但需要交互式的机制来捕捉许多预期的应用程序的差分隐私和一些重要的差异隐私原语。我们专注于并发组合，对手可以任意交织其查询到几个不同的私人机制，这可能是可行的差异私人查询系统部署在实践中。我们证明，当被组成的互动机制是纯差分隐私，他们的并发组合达到隐私参数（相对于纯或近似差分隐私），匹配的（最佳）非交互式差分隐私的组合定理。我们还证明了满足近似差分隐私的交互机制的合成定理。这一界限甚至比非交互式差分隐私的基本（次优）组合定理还要弱，我们将缩小差距作为未来研究的一个方向，同时了解差分隐私的其他变体的并发组合。
2021-09-15 cs.CR
Private Web Browser Forensics: A Case Study of the Epic Privacy Browser
有组织的犯罪，以及个人罪犯，是受益于保护私人浏览器提供给那些谁会进行非法活动，如洗钱，贩毒，在线交换虐待儿童的材料，等提供给用户的保护史诗隐私浏览器说明了这些好处。该浏览器目前在全球约180个国家使用。本文概述了通过Epic隐私浏览器的实时和事后状态分析提供的证据的位置和类型。这项研究确定了浏览器在使用过程中的功能，使用后可以恢复证据的方式，以及恢复材料的工具和有效呈现。
2018-01-04 cs.CR
Advances in Differential Privacy and Differentially Private Machine Learning
本文综述差分隐私理论、Renyi DP与Concentrated DP等新变体、新机制及其在隐私保护机器学习中的理论进展与实际部署。
2024-04-06 cs.CR
Privacy-Preserving In-Context Learning with Differentially Private Few-Shot Generation
Princeton University（普林斯顿大学）；Microsoft Semantic Machines（微软语义机器）；M365 Research（M365研究院）；University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
针对大语言模型上下文学习存在的私有数据泄露风险，提出带差分隐私保障的合成少样本生成算法，在标准基准上验证了其在强隐私级别下仍具竞争力的性能。
2024-01-28 cs.CR cs.LG
