CN116775755A - 基于区块链的隐私保护指纹识别方法 - Google Patents

基于区块链的隐私保护指纹识别方法 Download PDF

Info

Publication number
CN116775755A
CN116775755A CN202310401081.5A CN202310401081A CN116775755A CN 116775755 A CN116775755 A CN 116775755A CN 202310401081 A CN202310401081 A CN 202310401081A CN 116775755 A CN116775755 A CN 116775755A
Authority
CN
China
Prior art keywords
blockchain
epsilon
fingerprint
encrypted
server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310401081.5A
Other languages
English (en)
Inventor
沈星雨
赵运磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202310401081.5A priority Critical patent/CN116775755A/zh
Publication of CN116775755A publication Critical patent/CN116775755A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明属于指纹识别技术领域，具体为一种基于区块链的隐私保护指纹识别方法。本发明采用具有防止篡改特点的区块链技术和具有对加密数据进行计算特性的全同态加密技术；使用环上的快速全同态加密对指纹模板进行加密，以保证隐私性和对指纹的隐私保护的安全验证，然后向区块链进行发送；在区块链网络上运行智能合约，计算验证服务器数据库中的加密特征模板和区块链网络中的模板的一致性，达到模板的完整性，在区块链中只存储加密的注册模板的哈希值，并将加密的注册模板存储在服务器本地；实验结果表明指纹识别在加密领域不损失准确性，平均在166秒内完成指纹匹配过程，具有较好的效率与性能。

Description

基于区块链的隐私保护指纹识别方法
技术领域
本发明属于指纹识别技术领域，具体涉及隐私保护指纹识别方法。
背景技术
区块链的起源与加密货币有关，2008年一名自称为“中本聪”的日本学者发表了《Bitcoin:A Peer-to-Peer Electronic Cash System》，文章里面设想了不需要中心化机构管理的数字货币，其主要技术包含分布式技术、密码学、点对点(Peer-to-Peer，P2P)网络和区块链等，从而实现在不可信的环境中构建信任。区块链实际上是一种不可篡改的、去中心化的分布式的数据账本，区块链网络中的每个节点需要通过共识协议来共同维护数据和状态的一致性。智能合约是一种计算机协议，一旦部署就能实现自我执行和自我验证，在分布式计算、物联网等领域都有广阔的应有前景。从本质上讲，智能合约是在安全环境下执行的一段代码，它控制着数字资产。这些安全环境的例子包括由"受信任方"控制的注册服务器、去中心化网络(区块链)或具有安全硬件(SGX)的服务器。许多公共区块链支持智能合约的执行，但以太坊目前被认为是最可靠、最安全和最常用的。从本质上讲，以太坊可以被看作是一台分布式计算机，有能力执行用图灵完备的高级编程语言编写的程序。
同态加密(Homomorphic Encryption，HE)是一类加密方案，它具有对加密数据进行计算而不需要解密的特性。这里的计算是指在数据上进行一般的算术，如加法和乘法。当数据被解密时，其结果与在明文中进行计算的结果相同。主要有两种类型的同态加密方案：部分同态加密和完全同态加密。部分同态加密只允许执行某些类型的计算，而完全同态加密则允许执行任何任意的计算。全同态加密(Fully Homomorphic Encryption，FHE)方案是由Gentry首次提出的，支持在加密函数上实现任意计算。本系统使用环上的完全同态加密(Fully Homomorphic Encryption over the Torus，TFHE)，因为它允许在加密的指纹向量上执行基于滤波器库的指纹验证算法，而不损失任何准确性。
在指纹识别系统中，从传感器中获取到的指纹图像需要通过特征提取模块来得到一组全局或局部特征，这种特征的表示方法对指纹匹配阶段至关重要，会影响指纹识别系统的性能。目前流行的指纹特征表示方法主要分为基于指纹细节的特征表示方法和基于FingerCode的特征表示方法。基于细节的特征表示方法是从指纹图像中提取指纹脊线上的细节特征，然后匹配这些特征来进行识别。基于细节特征的指纹匹配的匹配率较高，但是难以提取质量差的指纹图像的细节特征，容易造成匹配过程中的错误。此外，由于其模板长度并非恒定，在进行隐私保护的指纹识别过程中很难处理，因为输入的大小可能揭示有关生物识别数据的重要信息。基于细节的隐私保护的安全指纹识别还不能在合理的时间内实现。指纹的FingerCode表示法是由Jain等人提出的。尽管指纹表示法通常是基于被称为细微差别的局部参考点，但这种表示法并不考虑这些细微差别，以实现更简单的比较算法。FingerCode是通过将一组Gabor滤波器应用于指纹图像，并计算出一组同心径向的平均绝对偏差而得到的模板。得到的模板是固定大小的N维(通常N＝640)向量，指纹匹配过程是通过比较FingerCode之间的欧式距离和阈值来进行的。Barni等人的实验表明基于FingerCode的指纹匹配方法提供了良好的准确性，可以有效的构建隐私保护协议。
预备知识和符号标示
计算距离可用于生物识别比较，因为它有助于确定向量之间的相似性，这是一种经常用于生物识别模板的表示方法。在数学中，距离函数是一个可以计算两点之间或两组元素中每对点之间距离的函数。欧几里得距离也称为欧氏距离，具体定义如下：
欧几里得距离在n维的欧几里得空间中，/>那么欧几里得距离定义为：
由于执行平方根的成本和复杂性，对于一些生物识别比较算法的实现来说，使用平方的欧氏距离更为有利。
平方欧几里得距离在n维的欧几里得空间中，/>那么平方欧几里得距离定义为：
欧几里得范数在n维的欧几里得空间中，向量x＝(x1，x2，...，xn，)的长度，即该点到原点的距离定义如下：
全同态参数设定：安全参数n≥1，素数q≥2且n2≤q≤2n2，α∈R+，φ为正太高斯分布，用于生成误差e。
密钥生成：随机选取向量令s为密钥sk。
加密Enc(·)：明文m∈{0，1}，随机生成向量a∈Tn，随机生成高斯误差e。定义整数b＝<a，s>+e，密文c＝(a，b)。
解密Dec(·)：利用密钥sk即可完成解密，计算Dec(c，s)＝b-<a，s>，若计算结果在模q下相比于更接近0，则解密结果为0，否则为1.
全同态加密是有噪声的，TFHE中是通过Bootstrapping自举来解决噪声问题的。利用逐位自举来实现与门(AND)、非门(NOT)、或门(OR)、同或门(XNOT)和异或门(XOR)。
发明内容
本发明的目的在于提供一种效率高、性能好的基于区块链的隐私保护指纹识别方法。
本发明提供的基于区块链的隐私保护指纹识别方法，主要采用具有防止篡改特点的区块链技术，具有对加密数据进行计算特性的全同态加密技术；其中，使用环上的快速全同态加密(Fully Homomorphic Encryption over the Torus，TFHE)对指纹模板进行加密，以保证隐私性和对指纹的隐私保护的安全验证；而运行在区块链上的智能合约通过保存加密指纹的哈希值来实现加密模板的完整性与一致性，同时解决区块链应用于生物识别上的隐私和存储昂贵的问题。
本发明通过特征提取，将指纹图像转化成以FingerCode所表示的指纹模板，一个指纹模板是由多个FingerCode组成的。指纹模板的保密性是通过使用TFHE对指纹模板加密来实现的。TFHE是一种环上的高效全同态加密。在区块链网络上运行的智能合约计算验证服务器数据库中的加密特征模板是否和区块链网络中的模板一样，从而达到模板的完整性，防止数据库中的指纹模板被篡改。由于区块链中的数据对区块链中的所有节点都是可见的，因此可能存在隐私问题。为了解决这一问题，本发明先使用TFHE对提取后的模版进行加密，然后再向区块链进行发送。只要用于解密模板的密钥是安全的，即使加密模板被暴露，由于离散对数困难性问题，系统也是安全的。为了解决在区块链中存储成本很昂贵的问题，在区块链中只存储加密的注册模板的哈希值，并将加密的注册模板存储在服务器本地。本发明总体框架如图1所示。包括两个阶段，即注册阶段和认证阶段，其参与者是客户端设备、服务器和区块链网络。
(一)注册阶段，输入待注册的指纹图像和用户唯一标识符UID，具体流程如下：
(1)客户端将用户提交的指纹图像转化成为FingerCode，同时保存用户的UID；
(2)客户端生成由多个FingerCode表示的指纹模板：x；
(3)客户端加密x，将加密后的指纹模板ε(x)和UID发送给服务器和区块链；
(4)区块链计算ε(x)的哈希值He，并将He和UID一起存储起来。由于区块链上存储比计算更昂贵，所以区块链上存储加密指纹模板的哈希值，而服务器上存储加密的指纹模板。
(二)认证阶段，输入要验证的指纹图像和用户唯一标识符UID，输出验证成功或者失败，具体流程如下：
(1)客户端将用户提交的指纹图像转化成为FingerCode；
(2)客户端生成由多个FingerCode表示的要查询的指纹模板：y；
(3)客户端加密y，将加密后的指纹模板ε(y)和UID发送给服务器和区块链；
(4)区块链根据UID从服务器中得到ε(x)；
(5)区块链计算ε(x)的哈希值Hv；
(6)区块链比较He和Hv；如果哈希值不同，则区块链将通知客户端服务器数据库已被破坏，否则，返回ε(x)和ε(y)；
(7)服务器根据ε(x)和ε(y)计算欧几里得距离，得到ε(d)；
(8)客户端解密ε(d)得到D；比较D和τ(距离阈值)来决定用户是否认证成功。
一些库能够实现全同态加密，HElib库通过GHS的优化实现BGV密码系统，FHEW库实现了Regev的格密码系统与Alperin-Sheriff和Peikert的自举技术的结合，TFHE库提出了一个在环上的更快的变体，有一个直观的API来评估布尔电路。本系统使用TFHE库，因为它的自举比其他库的自举操作更高效。
TFHE理论上可以支持在加密数据上进行的任何计算。然而，该库只允许在位级上进行计算。它也只提供了一些基本的门操作(NOT、NAND、OR、AND、XOR等)，一个CONSTANT操作，以及一个可以在加密数据上执行的MUX操作。该库使用一个秘密密钥来加密和解密一个比特。由TFHE库生成的密钥通常有大约82MB的大小。当使用秘密密钥对一个比特进行加密时，就会形成一个名为LweSample的C++结构，其中包含500个整数(a，数组)、一个整数(b)和一个双数据类型(variance)的数组。此外，该库使用云密钥来对加密的比特进行计算。与秘密密钥类似，云密钥也有大约82MB的大小。秘密密钥与云密钥的分离允许任何拥有云密钥的人对加密数据进行计算，但不能解密加密数据或加密明文数据，因为没有一个秘密密钥。而扩展的TFHE库还包括其它操作，例如new_LweSample_array(i)函数和bootsCONSTANT()函数。new_LweSample_array(i)函数分配了i比特的LweSample。bootsCONSTANT()函数使用evalkey将给定的LweSample*参数初始化为0或1。在所有算法中出现的evalkey参数是云密钥集的一种类型，它是TFHE的评估密钥。最后，bootsMUX(a，b，c)函数负责一个多路复用操作，它返回a？b：c，即如果a是1的加密结果，它返回b，否则返回c。
两个加密的整数之间的同态加法操作，可以用门操作和多路复用器操作来实现。
同态加法伪代码(算法1)见附录1。
该算法基于简单的逻辑等式和/>可以按位执行。X和Y是要相加的比特，Cin是从一个较不重要的数字中带入的一个位，Cout是被带入下一个重要的数字的一个位。在多路复用器操作/>中，如果/>等于1输出Cin，否则输出X·Y。利用这种位级加法，可以把它扩展为两个整数之间的加法。
该算法使用TFHE库实现两个整数之间的加法，它首先通过分配一个有足够空间的变量Cin和Cout来初始化两个carries。最后，该算法逐一迭代每一位，并对每一位执行上述两个方程。算法完成后，变量和包含一个加密的总和，并且可能比两个输入多一个比特，这取决于两个最重要的数字之间的加法是否产生了一个carry。
两个加密的整数之间的同态乘法操作，可以通过使用比特的加法和移位的组合来实现。乘法的伪码显示在算法2中。乘法可以被看作是移位后的AND值的加法。在乘法过程中，两倍的比特数被分配给中间和，但为了与输入算法的比特数相匹配，第一个比特数被丢弃。通过增加比特数，可以任意减少这种信息损失造成的误差。
同态乘法伪码码(算法2)见附录2。
为了实现加密的注册指纹模板的完整性，本发明使用区块链网络上运行的智能合约。本发明不需要为模板的完整性而信任任何中心化的服务器或第三方。在图1中，本发明提出了一个智能合约来实现加密的注册指纹模板的完整。
在注册阶段，客户端把(ε(x)，UID)发送给智能合约和服务器。服务器存储ε(x)和UID。客户端通过发送(ε(x)，UID)调用智能合约上的注册函数接口。然后，智能合约为相应的UID计算ε(x)的哈希值，并将该哈希值存储在enroll[UID]中。本文系统存储加密指纹模板的哈希值从而减少区块链上的开销。
在认证阶段，客户端通过发送(ε(y)，UID)调用智能合约上的认证函数接口。智能合约根据UID从服务器得到ε(x)。如果服务器在规定的时间τc内没有发送ε(x)，那么智能合约的计时器函数将被执行，并向客户端设备发送″Session Expired″消息，否则服务器将调用智能合约的计算函数。智能合约计算出哈希值Hv＝H(ε(x))。如果He和Hv的值不一样，则表明ε(x)被入侵者破坏和修改，否则返回ε(x)和ε(y)。因此，加密的注册指纹模板的完整性得以实现。
本发明设计了一个基于区块链的隐私保护指纹识别系统，以应对传输通道和不信任的服务器上的恶意攻击。本系统采用区块链和全同态加密两种主要技术，其中区块链具有防止篡改的特点，全同态加密方案具有对加密数据进行计算的特性。本文系统使用环上的快速全同态加密(Fully Homomorphic Encryption over the Torus，TFHE)对指纹模板进行加密，以保证隐私性和对指纹的隐私保护的安全验证，而运行在区块链上的智能合约通过保存加密指纹的哈希值来实现加密模板的完整性与一致性，同时解决了区块链应用于生物识别上的隐私和存储昂贵的问题。本系统在指纹数据库上进行实验，实验结果表明本文的指纹识别在加密领域不损失准确性，平均在166秒(±0.564秒)内完成指纹匹配过程，具有较好的效率与性能。
附图说明
图1为基于区块链的隐私保护指纹识别系统的运行流程图示。
具体实施方式
本发明中智能合约是用Solidity语言编写的，并使用ganache-cli部署在一个私有的Ethereum区块链中，使用Remix IDE来开发智能合约，并与智能合约进行交互。系统中客户端的Web界面使用HTML和JavaScript编写，指纹特征提取模块使用Python3 JupyterNotebook来从指纹图像中生成FingerCode，使用Jupyter Notebook来实现FingerCode算法。本系统使用Lua脚本实现了MySQL代理，以拦截来自用户的SQL查询，并将其修改为在加密的域上执行。在DBMS服务器端，UDFs可以通过使用一个通过编译导入TFHE库的C++代码生成的.so文件来实现。使用了英特尔酷睿i5-7500 CPU，3.40GHz*4和64位Ubuntu18.04.4LTS，具体如表5-1所示。
表1实施环境配置表
测试了不同数量的特征对“NIST Special Database 9”数据集的基于滤波器库的指纹验证的准确性和时间性能的影响。表2中显示了测试的配置，即在不同特征数量下平等错误概率(Equal Error Rate，EER)的差异。平等错误概率(EER)被定义错误接受率(FalseAcceptance Rate，FAR)和错误拒绝率(False Rejection Rate，FRR)相等时的比率。
该表中展示了与使用1280个特征时相比，不同特征数量的情况下EER增加的情况。从表中观察到，当特征的数量不是非常少时，减少特征的数量并不会严重影响EER。例如，使用640个特征，与使用1280个特征时相比，EER只增加了大约0.0085。这与Barni的实验相呼应，所以将双精度浮点数向量舍入为整数向量对EER没有明显的影响。
表2不同特征数量下的ERR差异
特征数量＝扇形数量*圆盘数量
而增加特征的数量也会增加验证的时间。当使用更多的特征数量时，计算欧氏距离所需的时间就会增加，尽管不完全是以线性方式。表3显示了使用不同数量的特征对2000个不同的双精度浮点数指纹向量进行欧氏距离计算所需的时间。表3还显示了比较一对指纹需要多少时间，即总时间除以2000。由于认证所需的时间随着特征数量的增加而明显增长，所以在640个特征数量的情况下能保持可接受的EER值的同时使用较小的特征数量。
表3不同特征数量下计算欧氏距离的时间
附录1，同态加法伪代码。
附录2为同态乘法伪码码

Claims (4)

1.一种基于区块链的隐私保护指纹识别方法，其特征在于，采用具有防止篡改特点的区块链技术和具有对加密数据进行计算特性的全同态加密技术；参与者是客户端设备、服务器和区块链网络；使用环上的快速全同态加密TFHE对指纹模板进行加密，以保证隐私性和对指纹的隐私保护的安全验证，然后向区块链进行发送；在区块链网络上运行智能合约，计算验证服务器数据库中的加密特征模板是否和区块链网络中的模板一样，从而达到模板的完整性，在区块链中只存储加密的注册模板的哈希值，并将加密的注册模板存储在服务器本地，以降低区块链中存储成本；
其中，客户端将用户提交的指纹图像通过特征提取转化成以FingerCode所表示的指纹模板；一个指纹模板由多个FingerCode组成。
2.根据权利要求1所述基于区块链的隐私保护指纹识别方法，其特征在于，具体操作包括两个阶段，即注册阶段和认证阶段：
(一)注册阶段，输入待注册的指纹图像和用户唯一标识符UID，具体流程如下：
(1)客户端将用户提交的指纹图像转化成为FingerCode，同时保存用户的UID；
(2)客户端生成由多个FingerCode表示的指纹模板：x；
(3)客户端加密x，将加密后的指纹模板ε(x)和UID发送给服务器和区块链；
(4)区块链计算ε(x)的哈希值He，并将He和UID一起存储起来；其中，区块链上存储加密指纹模板的哈希值，而服务器上存储加密的指纹模板；
(二)认证阶段，输入要验证的指纹图像和用户唯一标识符UID，输出验证成功或者失败，具体流程如下：
(1)客户端将用户提交的指纹图像转化成为FingerCode；
(2)客户端生成由多个FingerCode表示的要查询的指纹模板：y；
(3)客户端加密y，将加密后的指纹模板ε(y)和UID发送给服务器和区块链；
(4)区块链根据UID从服务器中得到ε(x)；
(5)区块链计算ε(x)的哈希值Hv；
(6)区块链比较He和Hv；如果哈希值不同，则区块链将通知客户端服务器数据库已被破坏，否则，返回ε(x)和ε(y)；
(7)服务器根据ε(x)和ε(y)计算欧几里得距离，得到ε(d)；
(8)客户端解密ε(d)得到D；比较D和距离阈值τ来决定用户是否认证成功。
3.根据权利要求2所述基于区块链的隐私保护指纹识别方法，其特征在于，所述全同态加密使用扩展的TFHE库实现；其中；
两个加密整数之间的同态加法操作，用TFHE库中门操作和多路复用器操作来实现；
首先通过分配一个有足够空间的变量Cin和Cout来初始化两个carries；最后，逐一迭代每一位，并对每一位执行上述两个方程；算法完成后，变量和包含一个加密的总和，并且比两个输入多一个比特，这取决于两个最重要的数字之间的加法是否产生了一个carry；
两个加密整数之间的同态乘法操作，通过使用比特的加法和移位的组合来实现；乘法被看作是移位后的AND值的加法；在乘法过程中，两倍的比特数被分配给中间和，但为了与输入算法的比特数相匹配，第一个比特数被丢弃；通过增加比特数，任意减少这种信息损失造成的误差。
4.根据权利要求3所述基于区块链的隐私保护指纹识别方法，其特征在于，所述区块链网络上运行的智能合约，具体为：
在注册阶段，客户端把(ε(x)，UID)发送给智能合约和服务器；服务器存储ε(x)和UID；客户端通过发送(ε(x)，UID)调用智能合约上的注册函数接口；然后，智能合约为相应的UID计算ε(x)的哈希值，并将该哈希值存储在enroll[UID]中；系统存储加密指纹模板的哈希值从而减少区块链上的开销；
在认证阶段，客户端通过发送(ε(y)，UID)调用智能合约上的认证函数接口；智能合约根据UID从服务器得到ε(x)；如果服务器在规定的时间τc内没有发送ε(x)，那么智能合约的计时器函数将被执行，并向客户端设备发送″Session Expired″消息，否则服务器调用智能合约的计算函数；智能合约计算出哈希值Hv＝H(ε(x))；如果He和Hv的值不一样，则表明ε(x)被入侵者破坏和修改，否则返回ε(x)和ε(y)；由此，加密的注册指纹模板的完整性得以实现。
CN202310401081.5A 2023-04-15 2023-04-15 基于区块链的隐私保护指纹识别方法 Pending CN116775755A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310401081.5A CN116775755A (zh) 2023-04-15 2023-04-15 基于区块链的隐私保护指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310401081.5A CN116775755A (zh) 2023-04-15 2023-04-15 基于区块链的隐私保护指纹识别方法

Publications (1)

Publication Number Publication Date
CN116775755A true CN116775755A (zh) 2023-09-19

Family

ID=87993866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310401081.5A Pending CN116775755A (zh) 2023-04-15 2023-04-15 基于区块链的隐私保护指纹识别方法

Country Status (1)

Country Link
CN (1) CN116775755A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726421A (zh) * 2024-02-07 2024-03-19 湖南三湘银行股份有限公司 一种应用于银行的权益管理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726421A (zh) * 2024-02-07 2024-03-19 湖南三湘银行股份有限公司 一种应用于银行的权益管理方法

Similar Documents

Publication Publication Date Title
Zhou et al. PassBio: Privacy-preserving user-centric biometric authentication
Bringer et al. Privacy-preserving biometric identification using secure multiparty computation: An overview and recent trends
Yasuda et al. Secure pattern matching using somewhat homomorphic encryption
Morampudi et al. Privacy-preserving iris authentication using fully homomorphic encryption
US8958552B2 (en) Data processing device
Yasuda et al. Practical packing method in somewhat homomorphic encryption
Šeděnka et al. Secure outsourced biometric authentication with performance evaluation on smartphones
Yasuda et al. New packing method in somewhat homomorphic encryption and its applications
Cheon et al. Ghostshell: Secure biometric authentication using integrity-based homomorphic evaluations
Karabat et al. THRIVE: threshold homomorphic encryption based secure and privacy preserving biometric verification system
Kim et al. Efficient Privacy‐Preserving Fingerprint‐Based Authentication System Using Fully Homomorphic Encryption
Blanton et al. Secure outsourced computation of iris matching
Cheon et al. A reusable fuzzy extractor with practical storage size: Modifying Canetti et al.’s construction
Torres et al. Effectiveness of fully homomorphic encryption to preserve the privacy of biometric data
Barman et al. A novel secure key-exchange protocol using biometrics of the sender and receiver
Zeroual et al. Lightweight deep learning model to secure authentication in Mobile Cloud Computing
CN116775755A (zh) 基于区块链的隐私保护指纹识别方法
Sun et al. [Retracted] Face Security Authentication System Based on Deep Learning and Homomorphic Encryption
Luo et al. Anonymous biometric access control based on homomorphic encryption
Huang et al. Efficient privacy-preserving face verification scheme
Agrawal et al. Game-set-MATCH: Using mobile devices for seamless external-facing biometric matching
CN114065169B (zh) 一种隐私保护生物认证方法和装置、电子设备
Wong et al. A privacy-preserving biometric matching protocol for iris codes verification
Brunetta et al. Code-based zero knowledge PRF arguments
WO2021167534A1 (en) Biometric template recognition system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination