基于深度神经网络的生物识别随机密钥生成器以增强安全性

### 基于深度神经网络的生物特征随机密钥生成器助力安全提升 #### 1. 引言 在当今时代，信息安全保护是一项重大挑战。信息以物理和数字形式广泛传播于全球。物理数据可通过有形安全工具实现充分保护，但数字信息在电子设备上的安全维护却成了长期以来的重要问题。数字世界已逐渐取代了众多日常活动，涵盖通信、营销、金融、执法系统、货币交易和加密货币等关键应用。随着数字应用的广泛普及，数字信息面临着持续的安全威胁和欺诈风险。因此，任何数字应用的首要任务都是保护信息，防止其被盗用或篡改。 密码学在解决数字世界的信息安全问题上取得了显著进展，并不断努力克服现有系统的缺陷。密码算法的强度取决于其对信息的编码能力，使黑客难以破解。现代密码学引入了基于人工智能的智能算法来增强其强度，但智能欺诈和黑客工具的出现也削弱了算法的解码能力。深入研究发现，使用随机密钥可提高密码算法的强度，而伪随机数生成器（PRNG）是生成随机序列的有效方法。然而，由于生成方法存在漏洞，智能工具仍能破解PRNG生成的密钥。因此，设计一种基于智能工具、难以破解的随机数生成器至关重要。 生物识别技术的发展为利用指纹生成密钥序列提供了可能，许多密码应用通过生物特征生成密钥来加密信息。但该系统存在依赖额外硬件收集指纹、成本高以及指纹设备易被伪造等问题。为克服这些问题，本文提出了一种基于人工智能的智能密钥生成技术，利用人脸生物特征（面部特征点）生成随机密钥序列。通过对大量不同种族和地域的人脸图像进行深度神经网络训练，提取面部特征点，并设计了一种新型线性反馈移位寄存器（LFSR）来增强密钥序列的强度和随机性。 #### 2. 系统贡献 本研究的主要贡献如下： 1. **面部结构识别**：使用多任务级联卷积神经网络（MTCNN）实现边界框，以识别个人的面部结构。 2. **面部特征提取**：利用深度神经网络提取高级面部特征，即面部嵌入。 3. **随机子序列生成**：设计新型LFSR，使用面部嵌入作为种子值生成随机子序列。 4. **图像数据加密和解密**：使用随机子序列生成的密钥序列对图像数据进行加密和解密。 5. **密钥序列随机性评估**：使用标准统计测试评估生成密钥序列的随机性质量。 #### 3. 研究现状 为实现研究目标，我们对相关研究进行了全面综述。以下是一些支持本系统实施的研究成果： |研究人员|研究内容|优点|不足| | ---- | ---- | ---- | ---- | |Zhao等|提出基于深度学习的智能云安全系统，利用MTCNN提取面部关键点加密面部图像|面部检测效率高|生成的随机密钥强度不足| |Kalsi等|通过DNA深度学习密码学和遗传算法生成随机密钥|成功生成随机密钥并通过随机性测试|种子值不够强大| |Quinga - Socasi等|采用对称密钥技术的深度学习密码系统，从用户输入的密码生成对称密钥|支持加密和解密过程|无法有效加密大尺寸数据| |Panchal等|利用指纹特征实现生物特征密码学，通过指纹传感器收集特征并编码|密钥生成技术高效新颖|未证明密钥的随机性，生物传感器易受攻击| |Abed等|通过生物特征系统保护云平台，实时生成256位密钥|实现了预期长度的密钥序列生成|透明模态易受攻击| |Cotrina等|使用高斯分布方法通过LFSR生成随机数|证明LFSR性能优于其他生成器| - | |Dhanda等|提出轻量级密码系统保障物联网安全，认为LFSR在密钥生成和计算开销方面表现出色| - | - | |Sannidhan等|利用人脸特征为流密码系统生成密钥，通过特征提取和LFSR生成伪随机数序列|生成的密钥通过随机性测试| - | #### 4. 提出的系统 为克服现有系统的缺陷，我们提出了一种新系统，主要包括两个核心单元：密钥生成单元和加密/解密过程。 ##### 4.1 密钥生成单元 该单元从标准人脸图像生成密钥子序列，将图像域转换为文本域，具体过程如下： - **神经网络**：系统通过神经网络