Detail práce

Generative Adversarial Networks Applied for Privacy Preservation in Bio-Metric-Based Authentication and Identification

Diplomová práce Student: Mjachky Ľuboš Akademický rok: 2020/2021 Vedoucí: Homoliak Ivan, Ing., Ph.D.
Název česky
Generativní adversarialní neuronové sítě využity na ochranu soukromí při biometrické autentifikaci a identifikaci
Jazyk práce
anglický
Abstrakt

Systémy založené na biometrickej autentizácii sa stávajú súčasťou nášho každodenného bytia. Tieto systémy však nedovoľujú používateľom priamo alebo nepriamo meniť spôsob, akým sa k ich dátam pristupuje a ako sa s nimi bude zaobchádzať ďalej v budúcnosti. Dôsledkom tohto môžu vyplynúť riziká spojené s uniknutím identity jedinca. Táto práca sa zaoberá návrhom systému, ktorý zachováva privátnosť a zároveň umožňuje autentizáciu na základe biometrických čŕt používateľov, a to za pomoci generatívnej neurónovej siete (GAN). V práci sa konkrétne uvažuje o tom, že GAN je použitá na transformáciu obrázkov tvárí napríklad na obrázky kvetov. Autentizačný systém sídliaci na serveri je v konečnom dôsledku učený rozlišovať používateľov podľa obrázkov kvetov a nie tvárí. Na základe vykonaných experimentov môžeme potvrdiť, že navrhovaná metóda je robustná voči útokom, pričom stále vykazuje kvalitatívne požiadavky kladené na štandardný autentizačný systém.

Klíčová slova

ochrana súkromia, strojové učenie, generatívne adversariálne siete, biometrické systémy

Ústav
Studijní program
Informační technologie, obor Bezpečnost informačních technologií
Soubory
Stav
obhájeno, hodnocení A
Obhajoba
24. června 2021
Oponent
Průběh obhajoby

Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.

Otázky u obhajoby
  1. k kapitole 6.2 uvádíte, že jste CycleGAN trénovali nad datasetem bot a textur, které se ukázaly nedostatečné i u jiných frameworků. Jak by si CycleGAN vedl nad datasetem květin?
  2. Jak by fungovala vaše práce v praxi?
  3. Jaký je hlavní přínos?
  4. Proti jakým útokům by váš přistup chránil?
Komise
Hanáček Petr, doc. Dr. Ing. (UITS FIT VUT), předseda
Hrubý Martin, Ing., Ph.D. (UITS FIT VUT), člen
Janoušek Vladimír, doc. Ing., Ph.D. (UITS FIT VUT), člen
Malinka Kamil, Mgr., Ph.D. (UITS FIT VUT), člen
Očenášek Pavel, Mgr. Ing., Ph.D. (UIFS FIT VUT), člen
Smrž Pavel, doc. RNDr., Ph.D. (UPGM FIT VUT), člen
Citace
MJACHKY, Ľuboš. Generative Adversarial Networks Applied for Privacy Preservation in Bio-Metric-Based Authentication and Identification. Brno, 2021. Diplomová práce. Vysoké učení technické v Brně, Fakulta informačních technologií. 2021-06-24. Vedoucí práce Homoliak Ivan. Dostupné z: https://www.fit.vut.cz/study/thesis/22641/
BibTeX
@mastersthesis{FITMT22641,
    author = "\'{L}ubo\v{s} Mjachky",
    type = "Diplomov\'{a} pr\'{a}ce",
    title = "Generative Adversarial Networks Applied for Privacy Preservation in Bio-Metric-Based Authentication and Identification",
    school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}",
    year = 2021,
    location = "Brno, CZ",
    language = "english",
    url = "https://www.fit.vut.cz/study/thesis/22641/"
}
Nahoru