본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page

ABSTRACT

Contents

1. Introduction 14

2. Related Work 18

2.1. Adversarial Attacks 18

2.2. Deep Learning-based Biometric Authentication Systems 19

2.3. Adversarial Attacks on Biometric Authentication Systems 21

2.4. Defense Methods against Adversarial Attacks on Biometric Authentication Systems 22

3. Main Approach 23

3.1. Adversarial Attack Surfaces 23

3.2. Adversarial Attack Scenario 30

3.3. Risk Evaluation Metrics 35

3.3.1. Attack Vulnerability 36

3.3.2. Attack Execution Difficulty 37

3.3.3. Attack Defense Possibility 38

3.3.4. Comprehensive Risk 40

3.4. Target System 41

3.5. Adversarial Attack based on Attack Scenarios 43

3.6. Testing Dataset 45

4. Comprehensive Risk Analysis of Adversarial Attacks 48

4.1. Analysis of Integrity Violation Scenarios 48

4.2. Analysis of Availability Violation Scenarios 51

4.3. Analysis of Privacy Violation Scenarios 54

5. Discussion 56

6. Conclusion 58

References 60

Abstract in Korean 76

List of Tables

Table 1. Description of Identified Adversarial Attack Surfaces 29

Table 2. Adversarial Attack Scenarios 31

Table 3. Required Information to Execute an Adversarial Attack 38

Table 4. Defense Strategies Against Adversarial Attack 40

Table 5. Training Dataset 42

Table 6. Testing Dataset 46

Table 7. Adversarial Attack Method by Attack Scenario 44

Table 8. The Evaluation Result of Scenarios with the Goal of Integrity Violation 49

Table 9. The Evaluation Result of Scenarios with the Goal of Availability Violation 52

Table 10. The Evaluation Result of Scenarios with the Goal of Privacy Violation 54

List of Figures

Figure 1. General Biometric System for Identification 25

Figure 2. Adversarial Attack Surfaces of Biometric Authentication System 27

Figure 3. Adversarial Attack Implementation Code for Scenarios #1, #8, and #9 45

Figure 4. Adversarial Attack Implementation Code for Scenarios #3 and #12 45

초록보기

 생체 정보를 통해 사용자를 인증하는 생체 인증 시스템이 높은 보안성을 요구하는 도메인에도 보급되면서, 딥러닝 모델을 활용하여 인증 정확도를 높인 딥러닝 기반의 생체 인증 시스템이 제안되었다. 하지만, 최근 딥러닝 모델의 취약점을 악용하여 오판단을 야기하거나 주요 데이터를 추출하는 적대적 공격이 보고되면서, 생체 인증 시스템을 향한 적대적 공격의 위협이 발생하고 있다. 따라서, 생체 인증 시스템의 적대적 공격에 대한 취약점을 분석하는 다양한 연구들이 진행되었다. 그러나, 기존의 연구들은 생체 인증 시스템의 특정 모듈 혹은 일부 적대적 공격 방식에 집중하여 취약점을 분석하고 있기 때문에, 생체 인증 시스템의 다양한 모듈을 대상으로 다양한 종류의 적대적 공격에 대한 취약점을 종합적으로 분석하는 연구가 필요하다. 본 연구에서는, 생체 인증 시스템의 적대적 공격 취약점을 종합적으로 분석하고, 다양한 적대적 공격 시나리오를 정의하고, 각 공격 시나리오를 기반으로 적대적 공격을 구현하여 그 위험도를 다각도로 평가하였다.

본 연구는 다음과 같은 과정으로 생체 인증 시스템의 적대적 공격에 대한 취약점 분석 및 위험도 평가를 진행하였다: (1) 생체 인증 시스템의 adversarial attack surface 의 식별, (2) adversarial attack surface 별 적대적 공격 시나리오 정의, (3) 적대적 공격의 위험도 평가 메트릭 정의, (4) 공격 시나리오 기반 적대적 공격 구현, (5) 적대적 공격 시나리오 별 위험도 평가 및 분석. 본 연구는 생체 인증 시스템의 프로세스에서 7 개의 adversarial attack surface 를 식별하고, adversarial attack surface 별로 발생할 수 있는 12 개의 적대적 공격 시나리오를 정의하였다. 본 연구에서는 적대적 공격 시나리오를 기반으로 얼굴 인식 시스템을 타겟으로 한 적대적 공격을 수행하였으며, 3 가지 평가 메트릭과 real-world 데이터셋을 사용하여 각 공격 시나리오의 적대적 공격 위험도를 다각도로 평가하였다. 본 연구는 다각도로 적대적 공격에 대한 위험도를 분석함으로써, 생체 인증 시스템에서 다양한 적대적 공격에 노출될 수 있는 취약점을 종합적으로 확인하였다. 이는 생체 인증 시스템에서의 적대적 공격에 대한 잠재적 위협을 최소화하고 안전성을 향상시키는 데 기여할 것이다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기