Защищенная система биометрической аутентификации для встраиваемых систем с ограниченными вычислительными ресурсами
Ключевые слова:
биометрическая аутентификация, обработка изображений, сверточная нейронная сеть, сиамская нейронная сеть, конфиденциальная обработка биометрических признаков, гомоморфное шифрованиеАннотация
В настоящее время технологии биометрической аутентификации такие как распознавание лица, отпечатков пальцев, радужной оболочки глаза и вен ладони, активно применяются в банковских приложениях, медицинских системах, комплексах контроля доступа и государственных информационных ресурсах. Использование таких технологий должно сопровождаться защитой биометрической информации при обработке и хранении особенно в условиях растущего количества целевых атак на персональные данные. Одним из перспективных подходов к обеспечению безопасности биометрической информации является использование гомоморфного шифрования. В работе рассматривается система автономной защищенной биометрической аутентификации по рисунку вен ладони пользователя в ближнем инфракрасном спектре для встроенных систем, реализуемых с использованием технологии обеспечения конфиденциальности для защиты биометрических данных. Проведенные исследования показали практическую реализуемость системы биометрической аутентификации с применением легковесной сиамской нейронной сети для выделения вектора признаков и гомоморфного шифрования, обеспечивающего конфиденциальность во встраиваемых системах на процессорах с ограниченными вычислительными ресурсами на основе одноплатных компьютеров, таких как Raspberry Pi. Подтверждена устойчивость к искажениям, включая повороты, шум, смещения и варьирование параметров шифрования. Показатели эффективности разработанной системы оценивались на сборном датасете, состоящем из изображений датасетов CASIA-MS-PalmprintV1 и Tongji Contactless Palmvein Dataset и составляют: точность классификации – 98,2%, EER – 0,73 %, AUC – 0,96, время – 1,2 секунды, что соответствует уровню требований к подобным системам. Анализ результатов показывает, что разработанная система уступает по точности клиент-серверным решениям, построенным на тяжеловесных сверточных нейронных сетях из-за ограниченности в вычислительных ресурсах и как следствие необходимости применения легковесной нейронной сети, но при этом обеспечена защищенная обработка биометрических данных с сохранением допустимого времени отклика. Сокращение времени обработки при реализации на одноплатных компьютерах может быть реализовано как использованием специализированных вычислительных ускорителей, так и применением других библиотек, поддерживающих гомоморфные вычисления, менее требовательных к вычислительным ресурсам.
Литература
2. Boshoff D., Hancke G.P. A Classifications Framework for Continuous Biometric Authentication (2018–2024) // Computers & Security. 2024. vol. 150. 104285 p.
3. Nayar G.R., Thomas T. Partial palm vein based biometric authentication // Journal of Information Security and Applications. 2023. vol. 72. 103390 p.
4. Obayya M.I., El-Ghandour M., Alrowais F. Contactless Palm Vein Authentication Using Deep Learning With Bayesian Optimization // IEEE Access. 2020. vol. 9. pp. 1940–1957. DOI: 10.1109/ACCESS.2020.3045424.
5. Chen Y.-Y., Hsia C.-H., Chen P.-H. Contactless Multispectral Palm-Vein Recognition With Lightweight Convolutional Neural Network // IEEE Access. 2021. vol. 9. pp. 149796–149806. DOI: 10.1109/ACCESS.2021.3124631.
6. Qin H., El-Yacoubi M.A., Li Y., Liu C. Multi-Scale and Multi-Direction GAN for CNN-Based Single Palm-Vein Identification // IEEE Transactions on Information Forensics and Security. 2021. vol. 16. pp. 2652–2666. DOI: 10.1109/TIFS.2021.3059340.
7. Kaddoun S.S., Aberni Y., Boubchir L., Raddadi M., Daachi B. Convolutional Neural Algorithm for Palm Vein Recognition using ZFNet Architecture // Proceedings of the 4th International Conference on Bio-Engineering for Smart Technologies (BioSMART). 2021. pp. 1–4. DOI: 10.1109/BioSMART54244.2021.9677799.
8. Ma Y., et al. Focal Contrastive Learning for Palm Vein Authentication // IEEE Transactions on Instrumentation and Measurement. 2023. vol. 72. pp. 1–15. DOI: 10.1109/TIM.2023.3304689.
9. Qin H., Gong C., Li Y., Gao X., El-Yacoubi M.A. Label Enhancement-Based Multiscale Transformer for Palm-Vein Recognition // IEEE Transactions on Instrumentation and Measurement. 2023. vol. 72. pp. 1–17. DOI: 10.1109/TIM.2023.3261909.
10. Li Y., Ruan S., Qin H., Deng S., El-Yacoubi M.A. Transformer Based Defense GAN Against Palm-Vein Adversarial Attacks // IEEE Transactions on Information Forensics and Security. 2023. vol. 18. pp. 1509–1523. DOI: 10.1109/TIFS.2023.3243782.
11. Hernandez-Garcia R., Salazar-Jurado E.H., Barrientos R.J., Castro F.M., Ramos-Cozar J., Guil N. From Synthetic Data to Real Palm Vein Identification: a Fine-Tuning Approach // Proceedings of the IEEE 13th International Conference on Pattern Recognition Systems (ICPRS). 2023. pp. 1–7. DOI: 10.1109/ICPRS58416.2023.10179042.
12. Nunes M., Viegas E.K., Santin A.O. Towards a Feasible Palm Vein Verification Scheme Using Deep Autoencoder and Siamese Networks // 2024 International Conference on Machine Learning and Applications (ICMLA). 2024. pp. 483–489. DOI: 10.1109/ICMLA61862.2024.00071.
13. Manikandan V.M. Chapter 11 - A secure biometric authentication system for smart environment using reversible data hiding through encryption scheme // Machine Learning for Biometrics Concepts, Algorithms and Applications Cognitive Data Science in Sustainable Computing. 2022. pp. 201–216.
14. Zeng L., Shen P., Zhu X., Tian X., Chen C. A review of privacy-preserving biometric identification and authentication protocols // Computers & Security. 2025. vol. 150. 104309 p. DOI: 10.1016/j.cose.2024.104309.
15. Adil M., Farouk A., Ali A., Song H., Jin Z. Securing Tomorrow of Next-Generation Technologies with Biometrics, State-of-The-Art Techniques, Open Challenges, and Future Research Directions // Computer Science Review. 2025. vol. 57. 100750 p.
16. Melzi P., Rathgeb C., Tolosana R., Vera-Rodriguez R., Busch C. An Overview of Privacy-Enhancing Technologies in Biometric Recognition // ACM Computing Surveys. 2024. 12 p. DOI: 10.1145/3664596.
17. Wang X., Xie Y., Shui D., Ge S. An improved biometric authentication and key agreement scheme based on fuzzy extractor for Wireless Body Area Networks // Journal of Information Security and Applications. 2025. vol. 91. 104047 p. DOI: 10.1016/j.jisa.2025.104047.
18. Srinivas P.V.V.S, Yadavalli N., DurgaV., Kumar K., Raju P. Enhanced biometric template protection schemes using distance based fuzzy extractor // Computers & Security. 2025. vol. 157. 104573 p.
19. ISO/IEC 24745 / Information security, cybersecurity and privacy protection – Biometric information protection // ISO/IEC. 2022. 63 p.
20. Morampudi M.K., Prasad M.V.N.K., Verma M., Raju U.S.N. Secure and verifiable iris authentication system using fully homomorphic encryption // Computers & Electrical Engineering. 2021. vol. 89. 106924 p. DOI: 10.1016/j.compeleceng.2020.106924.
21. Wu B., Zheng S., Dai P., Chen J., Yao Y. Searchable face recognition authentication based on homomorphic encryption // Journal of Information Security and Applications. 2025. vol. 94. 104208 p. DOI: 10.1016/j.jisa.2025.104208.
22. Wu L., Wang X.A., Liu J., Su Y., Zheng T., Liu W., Lei H., Tang D., Cao Y., Zhang J. Homomorphic Encryption for Machine Learning Applications with CKKS Algorithms: A Survey of Developments and Applications // Computers, Materials @ Continua. 2025. vol. 85. no. 1. DOI: 10.32604/cmc.2025.064346.
23. Wang H., Liu W., Wang X.A., Jiang W., Liu J., Yang X., Zhao W., Zheng K. Privacy-enhanced facial recognition for IoT based on homomorphic encryption // Internet of Things. 2025. vol. 34. 101757 p. DOI: 10.1016/j.iot.2025.101757.
24. Sumalatha U., Prakasha K.K., Prabhu S., Nayak V.C. A Comprehensive Review of Unimodal and Multimodal Fingerprint Biometric Authentication Systems: Fusion, Attacks, and Template Protection // IEEE Access. 2024. vol. 12. pp. 64300–64334. DOI: 10.1109/ACCESS.2024.3395417.
25. Hemis M., Kheddar H., Bourouis S., Saleem N. Deep learning techniques for hand vein biometrics: A comprehensive review // Information Fusion. 2025. vol. 114. 102716 p. DOI: 10.1016/j.inffus.2024.102716.
26. Kurbatova E., Kharina N., Zemtsov A., Plyaskin S. Investigating Palm Vein Pattern Recognition Methods // Proceedings of the 24th International Conference on Digital Signal Processing and its Applications (DSPA). 2022. pp. 1–5. DOI: 10.1109/DSPA53304.2022.9790783.
27. Boudaoud B.L., Solaiman B., Tari A. A modified ZS thinning algorithm by a hybrid approach // The Visual Computer. 2018. vol. 34. pp. 689–706. DOI: 10.1007/s00371-017-1407-4.
28. Прозоров Д.Е., Земцов А.В. Применение легковесной сиамской нейросети для формирования вектора признаков в системе васкулярной аутентификации // Компьютерная оптика. 2023. Т. 47. №3. С. 433–441.
29. Note on CASIA Palmprint Database // CBSR. URL: http://www.cbsr.ia.ac.cn/english/Palmprint%20Databases.asp.
Secure Biometric Authentication System for Embedded Systems with Limited Computing Resources
Abstract
Biometric authentication technologies such as face, fingerprint, iris, and palm vein recognition are currently widely used in banking applications, medical systems, access control systems, and government information resources. The use of such technologies must be accompanied by measures to protect biometric information during processing and storage, especially in the face of the growing number of targeted attacks on personal data. One promising approach to ensuring the security of biometric information is the use of homomorphic encryption. The paper presents an autonomous secure biometric authentication system based on the user's palm vein patterns in the near infrared spectrum for embedded solutions implemented using privacy-preserving technology to protect biometric data. Studies have shown the practical feasibility of a biometric authentication system using a lightweight Siamese neural network to extract a feature vector and homomorphic encryption to ensure confidentiality on processors with limited computing resources based on single-board computers such as Raspberry Pi. Resistance to distortion, including rotations, noise, displacements, and varying encryption parameters, has been confirmed. The performance of the developed system was evaluated on a combined dataset consisting of images from the CASIA-MS-PalmprintV1 and Tongji Contactless Palmvein datasets, yielding the following results: classification accuracy 98.2%, EER 0.73%, AUC 0.96, and processing time 1.2 seconds, which meet the requirements for such systems. Analysis of the results shows that the developed system is inferior in accuracy to client-server solutions based on heavyweight convolutional neural networks due to limited computing resources and the consequent need for a lightweight neural network, but at the same time it provides secure biometric data processing while maintaining an acceptable response time. Reducing the processing time when implemented on single-board computers can be achieved by using both specialized computing accelerators and by employing other libraries that support homomorphic computations and are less demanding on computing resources.
Опубликован
Как цитировать
Раздел
Copyright (c) Наталья Леонидовна Харина
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).