KR20210052034A

KR20210052034A - 생체 정보의 위조 검증 장치 및 방법

Info

Publication number: KR20210052034A
Application number: KR1020190138054A
Authority: KR
Inventors: 손영호; 서영연; 양진석; 여창준
Original assignee: 엘지전자 주식회사
Priority date: 2019-10-31
Filing date: 2019-10-31
Publication date: 2021-05-10
Also published as: US20210133424A1; US11482039B2

Abstract

본 발명의 일 실시 예에 따른 생체 정보의 위조를 검증하는 방법은 어플리케이션으로부터 생체 정보(biometric) 인증 요청을 수신하는 단계, 센서에서 생체 정보를 획득하는 단계 및 생체 정보의 인증의 용도에 기반하여 생체 정보에 머신 러닝 기반의 위조 검증 스킴(anti-spoofing scheme)을 적용하는 단계를 포함할 수 있다. 본 개시의 생체 정보 위조 검증 스킴은 기계학습을 통해 생성된 심층 신경망을 포함할 수 있고, 생체 정보 위조 검증 스킴은 5G 네트워크를 이용한 사물 인터넷 환경에서 사용될 수 있다.

Description

생체 정보의 위조 검증 장치 및 방법{ANTI-SPOOFING METHOD AND APPARATUS FOR BIOMETRIC RECOGNITION}

본 개시는 생체 정보의 위조를 검증하는 기술에 관한 것이다.

생체 정보는 생물학적인 특징으로서, 개인마다 서로 다른 유일성으로 인해 본인임을 인증하기에 적합한 수단이다. 따라서, 다양한 유형의 디바이스에서 본인을 인증하는 방법으로서 지문, 홍채, 손바닥 또는 손가락의 정맥 및 얼굴과 같은 생체 정보들을 사용하고 있다.

하지만, 생체 정보는 변경이 불가능하므로 유출될 경우 그 피해가 계속해서 이어질 수 밖에 없다.

한편, 많은 사용자들은 제3 자의 디바이스 접근을 막기 위해 디바이스의 스크린을 잠그는 기능을 활성화하고 있고, 스크린의 잠금을 해제하는 방법으로 생체 정보 인증을 이용하고 있다. 다양한 금융 서비스들 또한 금융 절차를 수행하기 위해서 생체 정보 인증을 요구하고 있다.

따라서, 제3 자가 위조한 생체 정보를 이용하여 본인의 디바이스에 접근하거나 서비스를 요청하는 경우, 위조 여부를 검증할 수 있는 기술이 필요하다.

본 개시의 실시 예는 다양한 생체 인증의 용도에 따라 각 용도에 적합한 생체 정보의 위조를 검증하는 스킴(scheme)을 제공하는 것을 일 과제로 한다.

또한, 본 개시의 실시 예는 다양한 생체 인증의 용도에 따라 각 용도에 적합한 사용자 편의성과 보안 기밀성을 갖는 생체 정보의 위조를 검증하는 스킴을 제공하는 것을 일 과제로 한다.

또한, 본 개시의 실시 예는 보안의 기밀성을 유지하면서 생체 정보의 위조를 검증하는 속도를 향상시킬 수 있는 방법 및 장치를 제공하는 것을 일 과제로 한다.

본 개시의 일 실시 예는 생체 정보의 인증 용도에 기반하여 서로 다른 머신 러닝 기반의 생체 정보 위조 검증 스킴을 적용하여, 인증 용도에 적합한 생체 정보의 위조를 검증하는 스킴을 제공할 수 있다.

본 개시의 다른 실시 예는 생체 정보의 인증 용도에 기반하여 각 용도에 적합한 사용자 편의성과 보안 기밀성을 갖는 생체 정보의 위조를 검증하는 스킴을 제공을 제공할 수 있다.

본 개시의 다른 실시 예는 보안 기밀성을 유지하면서 생체 정보의 위조를 검증하는 속도를 향상시킬 수 있다.

본 개시의 일 실시 예에 따른 생체 정보의 위조를 검증하는 방법은, 어플리케이션으로부터 수신한 생체 정보(biometric) 인증 요청에 대응하여 센서에서 상기 생체 정보를 획득하는 단계 및 생체 정보에 인증의 용도에 기반한 머신 러닝 기반의 위조 검증 스킴(anti-spoofing scheme)을 적용하는 단계를 포함할 수 있다.

여기에서, 인증 용도에 기반하여 SAR (Spoofing Accept Rate) 또는 FRR (False Rejection Rate) 중 적어도 어느 하나에 있어서 서로 상이한 위조 검증 스킴을 적용할 수 있다.

또한, 생체 정보의 인증을 요청하는 어플리케이션에 기반하여 위조 검증 스킴을 적용하는 단계를 포함할 수 있다.

또한, 스크린 잠금 해제를 위한 인증 요청에 대응하여 생체 정보에 제 1 위조 검증 스킴을 적용하고, 금융 절차 진행을 위한 인증 요청에 대응하여 생체 정보에 제 1 위조 검증 스킴과 상이한 제 2 위조 검증 스킴을 적용하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 생체 정보의 위조 검증 장치는, 프로세서, 생체 정보를 획득하는 센서 및 프로세서와 전기적으로 연결되고, 프로세서에서 실행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고, 메모리는 프로세서가 센서를 통해 생체 정보를 획득하고, 생체 정보의 인증의 용도에 기반하여 생체 정보에 위조 검증 스킴을 적용하도록 야기하는 코드들을 저장하고, 위조 검증 스킴은 머신 러닝 기반의 학습 모델의 생체 정보에 대한 적용을 포함할 수 있다.

본 개시의 실시 예에 따른 생체 정보의 위조를 검증하기 위한 장치 및 방법은 생체 정보를 인증하기 위한 용도에 적합한 생체 정보의 위조를 검증하는 스킴(scheme)을 제공할 수 있다.

또한, 본 개시의 실시 예는 생체 정보를 인증하기 위한 용도에 적합한 사용자의 편의성과 보안의 기밀성을 갖는 스킴을 제공할 수 있다.

또한, 본 개시의 실시 예는 보안의 기밀성을 유지하면서 생체 정보의 위조를 검증하는 속도를 향상시킬 수 있다.

또한, 본 개시의 실시 예는 보안의 기밀성을 유지하면서 보안 DSP를 이용하여 생체 정보의 위조를 검증할 수 있다.

본 개시의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 환경의 예시도이다.
도 2는 본 개시의 일 실시 예에 따른 단말기의 구성을 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 인공 신경망의 학습 장치의 구성을 나타낸 블록도이다.
도 4는 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 설명하기 위한 순서도이다.
도 5는 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 신뢰 실행 환경의 예시도이다.
도 6은 본 개시의 실시 예에 따른 생체 정보의 위조를 검증하기 위한 스킴을 설명하기 위한 도면이다.
도 7은 본 개시의 실시 예에 따른 생체 정보의 위조를 검증하기 위한 스킴을 설명하기 위한 도면이다.
도 8은 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 프로세서 및 DSP의 개략적인 블록도이다.
도 9는 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 설명하기 위한 순서도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

도 1은 본 개시의 실시 예에 따른 생체 정보(biometrics)의 위조 검증(anti-spoofing) 방법을 수행하기 위한 환경의 예시도이다.

본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 환경은 단말기(100), 인공 신경망 학습 장치(200) 및 이들이 서로 통신할 수 있도록 하는 네트워크를 포함할 수 있다.

단말기(100)는 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

단말기(100)는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 생체 정보의 위조를 검증할 수 있다.

단말기(100)는 생체 정보를 인증 또는 검증하기 위해 학습 장치(200)에서 훈련된 머신 러닝(machine learning) 기반의 학습 모델을 포함할 수 있다. 학습 모델은 신경망을 포함하는 딥 러닝(deep learning) 기반의 학습 모델일 수 있으며, 아래에서 자세히 설명한다.

단말기(100)는 단말기(100)의 스크린 잠금 해제 또는 단말기(100)에 설치된 어플리케이션의 서비스를 이용하기 위한 사용자의 요청에 대해서 사용자의 생체 정보를 제공할 것을 사용자에게 요청할 수 있고, 생체 정보는 사용자의 지문, 홍채, 얼굴 또는 손바닥 또는 손가락의 정맥(141)일 수 있으며 특별히 그 종류를 한정하지 않는다.

단말기(100)는 학습 모델을 포함하는 생체 정보의 위조를 검증하기 위한 스킴(scheme)을 센서에서 획득된 생체 정보에 적용할 수 있다. 단말기(100)는 획득된 생체 정보가 저장된 생체 정보와 일치하는지 확인하기 위한 사용자 인증을 생체 정보의 위조를 검증하기 전 또는 이후에 수행할 수 있다.

생체 정보의 위조를 검증하기 위한 스킴은 학습 모델 및 획득된 생체 정보에 대한 전 처리부터 최종 검증 결과를 도출하기 위한 전 과정을 포함한다. 따라서, 학습 모델에 사용되는 신경망의 구조가 다르거나, 신경망의 구조가 같더라도 생체 정보의 위조에 대한 학습 모델의 추론 결과를 이용하는 방법이 다른 경우 서로 다른 스킴으로 간주될 수 있다.

단말기(100)는 신뢰 실행 환경(TEE: Trusted Execution Environment)에서 생체 정보의 위조를 검증하기 위한 스킴을 적용할 수 있다. 신뢰 실행 환경은 보안 엔클레이브(Secure Enclave), 트러스터(Trusty) 등으로 불릴 수도 있다.

학습 장치(200)는 단말기(100)에서 생체 정보의 인증 및 위조 검증에 사용될 학습 모델을 단말기(100)에 전송하거나, 단말기(100)에 학습 모델을 미리 저장하여 제공할 수 있다.

학습 장치(200)는 단말기(100)의 생체 정보의 인증 및 위조 검증에 사용될 학습 모델을 재 훈련시키고, 재 훈련된 학습 모델 또는 재 훈련된 학습 모델이 포함된 생체 정보의 위조를 검증하기 위한 스킴을 단말기(100)로 전송할 수 있다. 또는, 학습 장치(200)는 동일한 학습 모델을 포함하지만 학습 모델의 추론 결과를 이용하여 생체 정보에 대한 위조 여부를 최종 판단하는 방법이 변경된 스킴을 단말기(100)로 전송할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 2를 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는 복수 개의 코어(core)들로 구성될 수 있으며, DSP(digital signal processor), GPU(graphic processing unit) 및 내부 버스(bus) 등이 포함된 SoC(system on chip)일 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 홍채 센서, ToF(Time of Flight) 센서 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 2와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.

학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 3을 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 2의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 2의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 2의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 3에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 2의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 2의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

도 4는 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 설명하기 위한 순서도이고, 도 5는 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 신뢰 실행 환경의 예시도이다. 도 8은 본 개시의 실시 예에 따른 생체 정보의 위조 검증 방법을 수행하기 위한 프로세서, DSP의 개략적인 블록도이다.

단말기(100)는 시스템 어플리케이션 또는 일반 어플리케이션으로부터 생체 정보 인증 요청을 수신할 수 있다(S410).

생체 정보 인증을 요청하는 어플리케이션(CA: Client Application)(512)은 신뢰 실행 환경(TEE, Secure Enclave 또는 Trusty)의 일반 영역(Normal World)(510)에서 실행되는 어플리케이션일 수 있다. CA(512)는 운영 제체(514)의 시스템 콜을 이용하여 보안 영역(Secure World)(520)의 신뢰 어플리케이션(TA: Trusted Application) 중 하나인 생체 정보 인증 어플리케이션(522)에 생체 정보의 인증을 요청할 수 있다. 생체 정보 인증 TA(522)는 신뢰 실행 환경의 보안 영역에서 실행될 수 있고, 신뢰 실행 환경은 TA를 위해 일련의 안전 서비스를 제공할 수 있다.

생체 정보 인증 TA(522)는 생체 정보 인증 요청에 대응하여 센서(140)를 통해 생체 정보를 획득할 수 있다(S420).

센서(140)는 지문 센서, 홍채 센서, 얼굴 인식을 위한 ToF 센서, 정맥 인식을 위한 비젼 센서일 수 있다. 이하에서는 지문 센서를 일 실시 예로서 설명한다.

지문 센서는 광학 방식, 정전 방식 또는 초음파 방식으로 사용자의 지문을 획득할 수 있다.

일 실시 예에서, 지문 센서가 광학 방식으로 구현된 경우, 지문 센서는 디스플레이 표시 소자(미도시)의 아래에 배치될 수 있다. 디스플레이 표시 소자 또는 디스플레이 표시 소자 아래에 배치된 별도의 발광 소자로부터 발산하는 빛이 사용자의 지문 영역에 반사되고, 다시 디스플레이의 보호층을 통과하여 디스플레이 표시 소자 아래의 지문 센서에 도달할 수 있다. 생체 정보 인증 TA(522)는 지문 센서에 도달한 빛으로부터 사용자의 지문 영상을 획득할 수 있다.

다른 실시 예에서, 지문 센서가 정전 방식 또는 초음파 방식으로 구현된 경우, 본 명세서에서는 센싱된 지문 데이터를 광학 방식의 지문 센서와 마찬가지로 지문 영상으로 호칭한다.

단말기(100)는 생체 정보의 인증 또는 위조 검증에 앞서 지문 영상을 전 처리하여 지문 정보를 추출하고, 추출된 지문 정보를 생체 정보의 인증 또는 위조 검증에 사용할 수 있다.

예를 들어, 단말기(100)는 지문 영상을 전 처리하여 지문의 특징점들에 대한 회색조 영상(grayscale image)을 획득할 수 있다. 지문 영상에 대한 전 처리는, 영상 정규화(image normalization), 지문 유효 영역 분할 처리(image segmentation for valid region), 지문 방향 맵(fingerprint orientation map) 처리, 지문 강조 처리(fingerprint enhancement processing), 지문 이진화(fingerprint binarization) 처리, 지문 세선화(fingerprint thinning) 처리 등을 포함할 수 있다.

단말기(100)는 생체 정보의 인증 용도를 판단한 후(S430), 생체 정보의 인증 용도에 따라 생체 정보에 생체 정보의 위조를 검증하기 위한 서로 다른 스킴(scheme)을 적용할 수 있다.

단말기(100)는 생체 정보의 인증을 요청한 어플리케이션에 기반하여 생체 정보의 인증 용도를 판단할 수 있다.

단말기(100)는 지문 영상으로부터 전 처리된 회색조 영상으로부터 추출된 특징점에 생체 정보의 위조를 검증하기 위한 스킴을 적용하거나, 회색조 영상에 생체 정보의 위조를 검증하기 위한 스킴으로서 CNN 방식의 학습 모델을 포함한 스킴을 적용할 수 있다(S441, S443).

스킴에 포함된 학습 모델은 머신 러닝 기반의 학습 모델로서 사람으로부터 직접 획득된 생체 정보 및 위조된 생체 정보가 각각 위조 여부로 라벨링(labeling)된 훈련 데이터로 훈련된 학습 모델일 수 있다. 따라서, 획득된 생체 정보에 학습 모델을 적용하면, 생체 정보의 위조 여부에 대한 추론 값이 학습 모델로부터 출력될 수 있다.

단말기(100)는 생체 정보의 인증을 요청하는 어플리케이션에 따라 생체 정보의 위조를 검증하기 위한 서로 다른 스킴을 적용할 수 있다.

일 실시예에서, 생체 정보 인증 어플리케이션은 CA와 TA로 두 부분을 포함할 수 있고, 특정 어플리케이션은 일반 영역의 생체 정보 인증 어플리케이션 CA에 생체 정보의 인증을 요청하거나, 보안 영역의 생체 정보 인증 어플리케이션 TA에 생체 정보의 인증을 요청할 수 있다. 단말기(100)는 생체 정보의 인증 요청이 생체 정보 인증 어플리케이션 CA 또는 생체 정보 인증 어플리케이션 TA로 수신된 경우에 서로 다른 생체 정보의 위조를 검증하기 위한 스킴을 적용할 수 있다.

다른 실시 예에서, 단말기(100)는 생체 정보의 인증을 요청하는 어플리케이션의 어플리케이션 ID에 기반하여 생체 정보의 위조를 검증하기 위한 서로 다른 스킴을 적용할 수 있다. 예를 들어, 생체 정보의 인증을 요청하는 어플리케이션의 패키지를 빌드할 때 사용된 고유한 어플리케이션 ID를 획득한 후, 획득된 어플리케이션 ID에 기반하여 서로 다른 보안 수준을 가지는 생체 정보의 위조를 검증하기 위한 서로 다른 스킴을 적용할 수 있다. 또는, 생체 정보의 인증을 요청하는 어플리케이션을 배포하는 어플리케이션 마켓 서버에 등록된 어플리케이션의 등록 정보에서 어플리케이션 ID를 획득하고, 획득된 획득된 어플리케이션 ID에 기반하여 서로 다른 스킴을 적용할 수 있다.

다른 실시 예에서, 생체 정보의 인증을 요청하는 어플리케이션의 단말기(100)에 등록된 보안 레벨에 기반하여 생체 정보의 위조를 검증하기 위한 서로 다른 스킴을 적용할 수 있다.

생체 정보의 위조를 검증하기 위한 스킴들은 스킴의 학습 모델에 포함되어 있는 신경망의 구조가 다를 수 있다. 예를 들어, 은닉층의 개수가 다르거나 컨볼루션 레이어의 구조가 다르거나 웨이팅 파라미터가 다를 수 있다. 또는, 활성 레이어에 사용되는 활성 함수가 다를 수 있다.

다른 실시예에서, 생체 정보의 위조를 검증하기 위한 스킴들은 스킴의 학습 모델에 포함되어 있는 신경망의 구조는 동일하지만, 학습 모델의 추론 결과에 대한 서로 다른 판단 기준을 가질 수 있다.

예를 들어, 학습 모델에 포함된 신경망의 최종 레이어가 2개의 출력 값을 가지고 최종 레이어의 출력 값에 활성 함수로서 softmax 함수를 적용한 경우, 신경망의 최종 출력은 신뢰도(confidence)로 취급될 수 있다. 특정 스킴은 최종 출력 중 높은 값의 노드 라벨을 생체 정보의 위조 여부에 대한 추정 라벨로 판단하거나, 최종 출력 값이 일정 범위 내인 값들에 대판 판단 기준을 별도로 가질 수 있다.

도 6을 참조하면 특정 스킴은 신뢰도가 일정 값(610) 이상인 생체 정보들(624~626)은 최종 출력 중 높은 값의 노드 라벨을 생체 정보의 위조 여부에 대한 추정 라벨로 판단하고, 신뢰도가 일정 값(610) 이하인 생체 정보들(621~623)을 노드 라벨과 무관하게 모두 위조되거나 모두 위조되지 않은 것으로 판단할 수 있다. 또는, 스킴은 신뢰도가 일정 범위 내인 생체 정보들을 노드 라벨과 무관하게 모두 위조되거나 모두 위조되지 않은 것으로 판단할 수 있다.

따라서, 단말기(100)는 신뢰도가 높은 대다수의 생체 정보들은 신뢰도에 기반하여 생체 정보의 위조 여부에 대한 판단을 하고 신뢰도가 낮은 극소수의 생체 정보들은 스킴 정책에 따라 위조 여부에 대한 판단을 함으로써, 일정한 수준의 SAR(Spoofing Accept Rate)을 유지하면서 FRR(False Rejection Rate)을 낮추어 사용자의 편의성을 확보할 수 있다.

단말기(100)는 복수의 학습 모델들 중에서 서로 다른 조합의 학습 모델을 이용하는 서로 다른 스킴을 생체 정보에 적용하여 생체 정보의 위조 여부를 검증할 수 있다.

예를 들어, 지문 영상에 서로 다른 구조를 가진 3개의 학습 모델을 각각 적용한 결과에 기반하여 지문 영상의 위조 여부를 검증할 수 있다. 또한, 인증 용도에 따라 높은 보안 수준이 필요한 경우 복잡한 구조의 학습 모델들로 구성되지만 높은 수준의 SAR를 가진 스킴을 적용하고, 다른 경우 가벼운 학습 모델들로 구성되면서 낮은 FRR을 가진 스킴을 적용할 수 있다.

도 7을 참조하면, 단말기(100)는 생체 정보의 복수의 프레임들을 연속적으로 획득하고, 각 프레임에 학습 모델을 적용한 결과에 기반하여 생체 정보의 위조를 검증하는 스킴을 적용할 수 있다. 이 경우, 생체 정보의 위조를 검증하기 위한 스킴은 복수의 생체 정보 프레임들 중에서 적어도 두 개의 프레임에 서로 다른 구조를 갖는 학습 모델들을 각각 적용할 수 있다.

예를 들어, 스킴 A는 연속적으로 획득된 두 개의 지문 영상에 동일한 학습 모델을 적용한 추론 결과가 서로 다를 경우, 선택적으로 추가로 획득한 세 번째 지문 영상에 다른 학습 모델을 적용한 추론 결과를 반영하여 지문 영상의 위조 여부를 판단할 수 있다.

또는, 스킴 B는 연속적으로 획득된 세 개의 지문 영상에 서로 다른 학습 모델을 적용한 추론 결과를 반영하여 지문 영상의 위조 여부를 판단할 수 있다.

또는, 스킴 C는 연속적으로 획득된 두 개의 지문 영상에 서로 다른 학습 모델을 적용한 추론 결과가 서로 다를 경우, 선택적으로 추가로 획득한 세 번째 지문 영상에 다른 학습 모델을 적용한 추론 결과를 반영하여 지문 영상의 위조 여부를 판단할 수 있다.

단말기(100)는 인증 용도에 따라 생체 정보의 복수의 프레임들을 이용하여 생체 정보의 위조를 검증하는 스킴을 적용하거나, 모든 인증 요청에 대응하여 복수의 프레임들을 이용하여 생체 정보의 위조를 검증하는 스킴을 적용할 수 있다.

단말기(100)는 인증 용도에 기반하여 서로 다른 스킴을 적용한 결과에 기반하여 생체 정보의 위조 여부를 판단할 수 있다(S450). 앞서 설명한 것처럼, 스킴은 동일한 학습 모델을 포함하더라도 학습 모델의 추론 결과를 반영하는 판단 기준이 서로 다를 수 있다. 또한, 스킴에 따라 생체 정보의 위조 여부 판단을 위해 복수의 생체 정보 프레임을 이용할 수 있다.

단말기(100)는 생체 정보에 학습 모델을 적용할 때 수행되는 연산의 실행 속도를 높이기 위해 별도의 DSP(Digital Signal Processor) 또는 GPU (Graphics Processing Unit)에서 학습 모델의 벡터 연산(vector operation) 또는 매트릭스 계산(matrix calculation)을 수행할 수 있다. DSP 또는 GPU는 프로세서의 내부에 SoC(System on Chip)형태로 구현되거나 별도의 칩으로 구현될 수 있다.

DSP 또는 GPU가 학습 모델의 적용을 위한 연산을 수행하는 경우, DSP 또는 GPU는 보안 DSP(Secured DSP) 또는 보안 GPU(Secured GPU)일 수 있다. 따라서, 신뢰 실행 환경의 일반 영역의 프로세스가 보안 DSP 또는 보안 GPU를 이용할 수 없고, 보안 영역의 프로세스만 보안 DSP 또는 보안 GPU를 이용할 수 있다.

도 8을 참조하여, 단말기(100)가 학습 모델의 적용을 위한 연산을 보안 DSP에서 수행하는 방법을 설명한다.

학습 모델의 적용을 위한 연산은 CPU(810)에서 보안 DSP(820)에 지시될 수 있으며, 연산을 위한 코드들은 메모리(830)의 보안 영역(secured memory region)(832)에 저장될 수 있다. 메모리의 보안 영역(832)은 일반 영역(834)과 물리적으로 구분되어 구현되거나 논리적으로 구분되어 구현될 수 있다. CPU(810)의 프로세스는 메모리 보호 유닛(MPU: memory protection unit) 또는 메모리 관리 유닛(MMU: memory management unit)에 의해 메모리(830)의 보안 영역(832)에 접근이 제어될 수 있다. CPU(810)의 신뢰 실행 환경에서 수행되는 프로세스는 보안 DSP와 페이지 테이블(page table)을 공유할 수 있다. 따라서, 신뢰 실행 환경의 보안 영역에서 수행되는 프로세스에 의해 개시된 메모리 트랜잭션은 메모리 보호 유닛 또는 메모리 관리 유닛의 제어에 의해 메모리(830)의 보안 DSP와 연관된 보안 영역(832)에 접근하여 학습 모델의 적용에 필요한 연산을 위한 코드들(데이터를 포함한다.)을 저장할 수 있다. 따라서, 메모리(830)의 보안 영역(832)에 연관된 보안 DSP는 메모리 보호 유닛 또는 메모리 관리 유닛의 제어에 의해 메모리(830)의 보안 영역(832)에 접근하여 학습 모델의 적용에 필요한 연산을 위한 코드들(데이터를 포함한다.)을 수신하여 코드들을 실행할 수 있다. 따라서, 보안 DSP를 이용하여 생체 정보의 위조 여부를 검증하는 동안 보안 환경은 계속 유지될 수 있다.

도 9는 본 개시의 다른 실시 예에 따른 생체 정보의 위조 검증 방법을 설명하기 위한 순서도이다. 이하의 설명에서 도 1 내지 도 8에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

단말기(100)는 생체 정보 인증 요청(S910)에 대해 사용자의 생체 정보를 획득하고(S920), 생체 정보 인증 요청이 단말기(100)의 스크린의 잠금을 해제하기 위한 용도인지 또는 금융 절차 진행을 위한 용도인지 판단할 수 있다(S930).

예를 들어, 생체 정보 인증을 요청하는 어플리케이션의 어플리케이션 ID 또는 어플리케이션을 배포하는 마켓 서버의 등록 정보에 기반하여 생체 정보 인증 요청이 단말기(100)의 스크린의 잠금을 해제하기 위한 용도인지 또는 금융 절차 진행을 위한 용도인지 판단할 수 있다.

단말기(100)는 생체 정보의 인증 요청이 스크린의 잠금을 해제하기 위한 용도인 경우, 사용자의 편의성을 향상시키기 위해 복수의 스킴 중에서 FRR을 고려한 스킴을 생체 정보에 적용하여 생체 정보의 위조를 검증할 수 있다. 또한, 생체 정보의 인증 요청이 금융 절차를 진행하기 위한 용도인 경우, 단말기(100)는 금융 절차의 보안성을 향상시키기 위해 복수의 스킴 중에서 SAR을 고려한 스킴을 생체 정보에 적용하여 생체 정보의 위조를 검증할 수 있다.

예를 들어, 서로 다른 구조의 학습 모델을 포함한 스킴들은 SAR 및 FRR이 서로 다른 스킴들일 수 있다. 또는, 스킴들이 동일한 학습 모델을 포함할 지라도, 스킴들은 학습 모델의 추론 결과에 기반하여 생체 정보의 위조를 판단하는 기준이 다른 경우 SAR 및 FRR이 서로 다른 스킴들일 수 있다.

단말기(100)는 스킴에 포함된 학습 모델을 생체 정보에 적용한 결과에 기반하고 스킴의 정책에 따른 판단 기준을 적용하여 생체 정보의 위조 여부를 판단할 수 있다(S950).

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

한편, 상기 프로그램은 본 개시를 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 개시의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 개시에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 폼 팩터(form factor)에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 개시의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 개시의 사상의 범주에 속한다고 할 것이다.

100: 단말기 200: 학습 장치
141: 생체 정보

Claims

어플리케이션으로부터 생체 정보(biometric) 인증 요청을 수신하는 단계;
센서에서 상기 생체 정보를 획득하는 단계; 및
상기 생체 정보의 인증의 용도에 기반하여 상기 생체 정보에 머신 러닝 기반의 위조 검증 스킴(anti-spoofing scheme)을 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 1 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
상기 생체 정보의 인증을 요청하는 상기 어플리케이션에 기반하여 상기 위조 검증 스킴을 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 2 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
상기 생체 정보의 인증을 요청하는 어플리케이션의 빌드(build)에 사용되는 어플리케이션 ID 또는 상기 어플리케이션을 배포하는 서버의 상기 어플리케이션의 등록 정보에 기반하여 상기 위조 검증 스킴을 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 1 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
스크린 잠금 해제를 위한 인증 요청에 대응하여 상기 생체 정보에 제 1 위조 검증 스킴을 적용하고, 금융 절차 진행을 위한 인증 요청에 대응하여 상기 생체 정보에 제 2 위조 검증 스킴을 적용하는 단계를 포함하고,
상기 제 1 위조 검증 스킴 및 상기 제 2 위조 검증 스킴은 서로 상이한 스킴인,
생체 정보의 위조를 검증하는 방법.
제 4 항에 있어서,
상기 제 1 위조 검증 스킴과 상기 제 2 위조 검증 스킴은SAR (Spoofing Accept Rate) 또는 FRR (False Rejection Rate) 중 적어도 어느 하나에 있어서 서로 상이한,
생체 정보의 위조를 검증하는 방법.
제 4 항에 있어서,
상기 제 1 위조 검증 스킴과 상기 제 2 위조 검증 스킴은 위조 검증에 사용되는 머신 러닝 기반의 학습 모델의 출력 값에 대한 위조 판단 기준이 서로 다른 스킴인,
생체 정보의 위조를 검증하는 방법.
제 6 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
상기 스크린 잠금 해제를 위한 인증 요청에 대응하여, 상기 생체 정보에 상기 학습 모델을 적용한 출력 값이 미리 설정된 범위 내인 상기 생체 정보를 위조되지 않은 생체 정보로 판단하는 기준을 갖는 위조 검증 스킴을 적용하는 단계를 포함하는,
상기 제 2 위조 검증 스킴의 FRR(False Rejection Rate)은 상기 제 1 위조 검증 스킴의 FRR보다 높은,
생체 정보의 위조를 검증하는 방법.
제 1 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
상기 생체 정보의 인증의 용도에 기반하여 머신 러닝 기반의 서로 다른 구조를 갖는 복수의 학습 모델들 중에서 적어도 하나의 학습 모델을 이용하는 위조 검증 스킴을 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 8 항에 있어서,
상기 위조 검증 스킴을 적용하는 단계는,
상기 생체 정보의 인증의 용도에 기반하여 상기 학습 모델들의 서로 다른 조합을 이용하는 위조 검증 스킴을 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 9 항에 있어서,
상기 생체 정보를 획득하는 단계는,
상기 센서에서 복수의 생체 정보 프레임들을 획득하는 단계를 포함하고, 상기 생체 정보 프레임들의 각 생체 정보 프레임은 상기 센서에서 서로 다른 시간에 획득된 프레임이고,
상기 위조 검증 스킴을 적용하는 단계는,
상기 복수의 생체 정보 프레임들 중에서 적어도 두 개의 프레임에 서로 다른 구조를 갖는 학습 모델들을 각각 적용하는 단계를 포함하는,
생체 정보의 위조를 검증하는 방법.
제 1 항에 있어서,
상기 생체 정보에 상기 위조 검증 스킴을 적용하는 단계는 신뢰 실행 환경(Trusted Execution Environment)의 보안 영역에서 수행되는 단계인,
생체 정보의 위조를 검증하는 방법.
컴퓨터에 의해 실행될 때, 컴퓨터로 하여금 청구항 제 1 항의 방법을 실행하도록 구성된 컴퓨터 프로그램이 저장된 컴퓨터 판독가능 기록매체.
프로세서;
생체 정보를 획득하는 센서; 및
상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 실행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,
상기 메모리는,
상기 프로세서가 상기 센서를 통해 생체 정보(biometric)를 획득하고, 상기 생체 정보의 인증의 용도에 기반하여 상기 생체 정보에 위조 검증 스킴(anti-spoofing scheme)을 적용하도록 야기하는 코드들을 저장하고, 상기 위조 검증 스킴은 머신 러닝 기반의 학습 모델의 상기 생체 정보에 대한 적용을 포함하는,
생체 정보의 위조 검증 장치.
제 13 항에 있어서,
상기 메모리는,
상기 프로세서가 스크린 잠금 해제의 인증 용도를 위하여 상기 생체 정보에 제 1 위조 검증 스킴을 적용하고, 및 금융 절차 진행의 인증 용도을 위한 인증 요청에 대응하여 상기 생체 정보에 제 2 위조 검증 스킴을 적용하도록 야기하는 코드를 더 저장하고,
상기 제 1 위조 검증 스킴 및 상기 제 2 위조 검증 스킴은 서로 상이한 스킴인,
생체 정보의 위조 검증 장치.
제 13 항에 있어서,
투명한 보호층을 포함하는 디스플레이를 더 포함하고,
상기 메모리는,
상기 디스플레이의 표시 소자의 아래에 배치된 상기 센서가 상기 보호층을 통하여 수신한 반사광으로부터 상기 생체 정보를 획득하도록 야기하는 코드들을 더 저장하는,
생체 정보의 위조 검증 장치.
제 13 항에 있어서,
상기 학습 모델은 사람으로부터 직접 획득된 생체 정보 및 위조된 생체 정보가 각각 위조 여부로 라벨링(labeling)된 훈련 데이터로 훈련된 학습 모델인,
생체 정보의 위조 검증 장치.
제 13 항에 있어서,
상기 메모리는,
신뢰 실행 환경(Trusted Execution Environment)의 일반 영역에서 실행되는 어플리케이션의 요청에 대응하여, 상기 프로세서가 신뢰 실행 환경의 보안 영역의 프로세스를 통해 상기 어플리케이션에 기반한 상기 위조 검증 스킴을 적용하도록 야기하는 코드들을 더 저장하는,
생체 정보의 위조 검증 장치.
제 17 항에 있어서,
상기 프로세서는 상기 프로세서의 내부 또는 외부에 배치된 GPU, DSP 또는 머신 러닝 전용 프로세서 중 적어도 하나를 포함하고,
상기 메모리는,
상기 프로세서가 상기 GPU, 상기 DSP 또는 상기 머신 러닝 전용 프로세서 중 적어도 하나에서 수행되는 연산으로서, 상기 학습 모델의 상기 생체 정보에 대한 적용을 위해 수행되는 연산(operation)을 제어하도록 야기하는 코드들을 더 저장하는,
생체 정보의 위조 검증 장치.
제 18 항에 있어서,
상기 메모리는,
상기 프로세서가 상기 연산을 위해 필요한 데이터를 상기 GPU, 상기 DSP 또는 상기 머신 러닝 전용 프로세서 중 적어도 하나에 연관된 보안 메모리 영역(secured memory region)에 저장하기 위한 메모리 트랜잭션(memory transaction)을 상기 보안 영역에서 개시(initiate)하도록 야기하고, 메모리 보호 유닛(memory protection unit) 또는 메모리 관리 유닛(memory management unit)에 의해 상기 보안 메모리 영역에 접근이 허락된 상기 메모리 트랜잭션이 상기 보안 메모리 영역에 상기 데이터를 저장하도록 야기하는 코드들을 더 저장하는,
생체 정보의 위조 검증 장치.
제 19 항에 있어서,
상기 메모리는,
상기 프로세서에서 상기 위조 검증 스킴을 수행하는 상기 프로세스가 상기 GPU, 상기 DSP 또는 상기 머신 러닝 전용 프로세서 중 적어도 하나와 페이지 테이블(page table)을 공유하고, 상기 프로세서가 상기 페이지 테이블과 관련된 상기 보안 메모리 영역에 기반하여 상기 GPU, 상기 DSP 또는 상기 머신 러닝 전용 프로세서 중 적어도 하나에 상기 연산을 위해 필요한 데이터를 전송하도록 야기하는 코드들을 더 저장하는,
생체 정보의 위조 검증 장치.