臺灣資安科技研究中心

隨著資訊技術的發展和廣泛應用，指紋識別技術已廣泛應用於現代社會。其高效和便利已成為現代身份認證、智能手機解鎖、金融交易等領域的重要手段，然而，現有的指紋識別系統準確率存在較大差異，一些系統準確率低，導致系統錯誤率高，影響系統的可靠性和有效性。在實際應用中，指紋識別系統中仍面臨一些挑戰，如準確率低、指紋辨別容易受到氣候環境影響或是易受假指紋攻擊，而在此些問題中易受假指紋攻擊尤為嚴重，若是使用此攻擊方法的非法用戶被系統當成合法用戶，進而導致系統被非法存取，在身份認證、智能手機解鎖、金融交易認證等應用中，將會造成隱私問題、資料外洩問題或甚至直接是財務上的損失。因此，本研究旨在探索指紋識別技術的發展趨勢，分析現有技術存在的問題，並提出改進和創新方向，以增強指紋識別系統的可靠性和安全性，特別是針對假指紋攻擊此問題，最後將此指紋辨別系統運行在實際的FPGA上以做驗證。本研究將採用假指紋文獻研究方法和實證分析，以及進行真人實驗，並集成在手機系統上，在實驗數據上，我們預計會收集超過50,000個真實指紋數據集和 20,000個假指紋數據集。我們將這些數據集整合到我們的獨特系統中，並使用深度學習方法當作此指紋識別系統的核心技術，提出near far distance DNN-LSTM模型，藉此模型特有的遠近距離雜訊處理和訊號增強性質，更有效率且更加彈性的來處理訊號，以及運用多張分段指紋輸入序列來進行交叉匹配，來探索更高效、準確且具有假指紋防範功能的指紋識別系統，並且我們將使此指紋識別系統實際應用於FPGA上來模擬整個應用，透過知識蒸餾壓縮模型網路、參數量化以及特殊的編碼方式來減少整體模型大小、透過二質化網路來簡化運算複雜度，並且設計最佳化的資料流，減少與外部記憶體存取次數、增加資料重複使用率，以及配合其他一些硬體及軟體上的加速方法，來減少系統的功耗。將此神經網路模型設計成Tiny Model實施於FPGA中並將整體功耗降至0.12 W 以下，以來達成模擬在行動裝置上的Tiny AI chip之要求。本研究的預期貢獻是：1）結合深度學習方法為指紋識別技術提供有價值的參考；2）推動指紋識別Tiny ML AI chip技術的發展和應用；3）為現代社會的指紋辨識技術安全和便利做出貢獻。