深度学习生成的MasterPrints：提升字典攻击效率

本文主要探讨了深度学习在指纹识别系统安全性中的新挑战——DeepMasterPrints，这是一种基于图像级别的合成攻击手段。近期的研究表明，传统的指纹识别系统易受到基于MasterPrints的字典攻击威胁，MasterPrints是能够与大量真实或合成指纹匹配的特殊模式，这严重削弱了指纹识别系统的安全性。 以前的工作主要集中在特征级的合成MasterPrints上，由Roy等人提出的方法。然而，作者们在此基础上实现了创新，提出了名为“Latent Variable Evolution”的方法，该方法利用生成对抗网络（GAN）技术。具体来说，他们首先训练一个GAN模型，该模型基于一组真实的指纹图像进行学习。接着，通过使用一种叫做Covariance Matrix Adaptation Evolution Strategy（CMA-ES）的随机搜索策略，研究人员寻找能使生成器网络最大化模仿指纹识别器判断错误的潜在输入变量。这种搜索过程旨在寻找那些能产生更多冒名顶替者匹配的DeepMasterPrints。 实验结果显示，DeepMasterPrints相较于先前方法具有显著更高的攻击准确性，这意味着它们在实际攻击中的效果更有效。这项工作不仅揭示了深度学习在生成更具欺骗性的MasterPrints方面的潜力，而且预示着在指纹安全领域有广泛的应用前景，包括提高对新型攻击手段的防范意识以及指纹合成研究。此外，它还可能推动指纹识别技术的改进，促使研究人员开发更为鲁棒的防御策略，以抵御这些高级的图像级攻击。 "DeepMasterPrints: Generating MasterPrints for Dictionary Attacks via Latent Variable Evolution"这篇论文深入剖析了利用深度学习生成高级攻击模板的技术，挑战了当前指纹识别系统的安全边界，并提出了新的应对策略，对未来的生物识别安全研究具有重要意义。