Secure and Efficient Preselection for Biometric Identification
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3088386Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Biometriske kjennetegn kan brukes til å identifisere individer på grunn av deres særpreg og brukervennlighet. Til tross for disse fordelene så er det personvernrisiko knyttet med biometriske data som må håndteres. I tillegg må den beregningsmessige arbeidsmengden av biometriske identifiseringssytemer forbedres for å hindre at søk i store databaser skal bli umulige.
I denne masteroppgaven blir det presentert et biometrisk identifiseringssystem hvor en forhåndsvalgmetode er introdusert for å forbedre den beregnignsmessige arbeidsmengden. Til dette formålet grupperes like personer sammen i grupper ved å bruke k-means grupperingsalgoritme. For å introdusere mer sikkerhet er fullstendig homomorft kryptering brukt på referanse malene for å beskytte den sensitive informasjonen av den biometriske dataen. Til tross for de høye beregningskostadene som er knyttet til denne krypteringsmetoden, så vil fordelene overveie ulempene på grunn av de potensielle angrepene med kvantedatamaskiner og dermed oppnås langsidig beskyttelse.
En eksperimentell evaluering er gjennomført for det foreslåtte systemet, som viser at systemet er redusert ned til 2.8% av arbeidsmengden av grunnlinjesystemet som utfører fullstendig søk på hele referansedatabasen. Ved å evaluere den biometriske prestasjonen oppnår systemet falske positive identifiseringsrater rundt 0.001% og falske negative identifiseringsrater fra 1% til 0.001%. Dette indikerer god nøyaktighet. Dermed kan det biometriske identifiseringssystemet som presenteres i denne oppgaven bli betraktet som effektiv, nøyaktig og sikker på samme tid, og forbedre state-of-the-art. Biometric characteristics can be used to identify individuals due to their uniqueness and user-friendliness. Despite these benefits, there are privacy risks associated with biometric data that need to be managed. In addition, the computational workload of biometric identification systems needs to be improved to prevent the search in large-scale databases from becoming infeasible.
In this master's thesis, a biometric identification system is proposed where a preselection method is introduced to improve the computation workload. To this end, similar subjects are grouped in clusters by using the k-means clustering technique. To provide additional security, Fully Homomorphic Encryption is used on the reference templates to protect the sensitive information of the biometric data. Despite the high computation cost associated with this encryption scheme, the benefits outweigh the drawbacks because of the potential attacks with quantum computers and thus achieving long-term protection.
An experimental evaluation is performed for the proposed system, showing that the system is reduced to 2.8% of the workload effort of the baseline system performing an exhaustive search on the entire reference database. For evaluating the biometric performance, the proposed system achieves false positive identification rates around 0.001% and false negative identification rates from 1% to 0.001%. This indicates good accuracy. Therefore, the biometric identification system presented in this thesis can be considered efficient, accurate, and secure at the same time, improving upon the state-of-the-art.