4. Authentication
Entity Authentication
1. Identification
1) Attacks against Identification
공격 종류
- Impersonation
- Replay
- Interleaving
2) Type of Identification
Password based
일반적인 password는 entropy가 낮아 추측이 쉽다는 문제가 있다. 즉, 고정된 패스워드를 사용할 경우 ⅰ) 도청시, ⅱ) 패스워드 테이블이 유출될 경우 위험하다.
이를 방지하기 위해 다음과 같은 방식들을 사용할 수 있다.
- Hashed Password
- 사용자의 Password를 Hashing한 후 서버에 저장하는 방식 (해시함수의 단 방향성 이용)
$\rightarrow$ 사용자들이 많이 사용하는 password나 복잡하지 않은 암호의 경우 공격자가 쉽게 유추할 수 있음(dictionary attack)
- Salted Password
- Password + Salt를 Hashing한 후 서버에 저장하는 방식 (Salt는 사용자 별 고유의 Salt를 갖도록 함)
$\rightarrow$ Salt는 비밀 값이 아니기 때문에, 공격이 불가능해지는 것이 아니라 여전히 비싸게 만드는 방식이다.(dictionary attack 가능)
- One-Time Password(OTP)
- 한 번 쓰고 버리는 비밀번호(매번 다른 숫자가 나오고, 그 순간에만 유효)
- Synchronized OTP
- 사용자와 서버가 Seed를 공유한 후, 같은 기준(시간, 이벤트)으로 비밀번호를 생성
- Non-Synchronized OTP
- 사용자가 hash chain의 값(
w5) 1개 서버로 전송 후 저장, 이후 사용자는w4를 보내고 서버는w5=H(w4)인지 확인 후,w4저장Symmetric Key based
Timestamp 기반
ⅰ) A가 B에게 현재 시간 $t_A \Vert B$ 를 암호화 하여 전송
ⅱ) B는 공유키 K로 이를 복호화 하여 A를 인증난수 기반
ⅰ) B가 A에게 난수 $r_B$를 전달
ⅱ) A는 $r_B \Vert B$를 암호화하여 다시 전달
ⅲ) B는 이를 복호화 하여 r_B가 맞는지 확인 후 A를 인증난수 기반(상호인증)
ⅰ) B가 A에게 난수 $r_B$를 전달 ⅱ) A도 난수 $r_A$를 생성한 후 $r_A \Vert r_B \Vert B$를 암호화 하여 전달
ⅲ) B가 이를 복호화 하여 A를 인증한 후에, 다시 A에게 $r_A \Vert r_B$를 암호화하여 전달
ⅳ) A는 이를 복호화하여 B를 인증※ 여기에 추가적으로 MAC을 통해 무결성을 보장할 수 있음
Public Key based
vv
2. Biometric Recognition
1) 구성 요소
- Sensor: 지문 스캐너, 얼굴 카메라, 마이크 등 신호 채집 장치
- Feature Extractor: 센서의 원본 데이터를 정제하여 feature만 뽑아냄
- Template Database: 사용자들의 생체 Feature template 저장
- Matcher: 입력된 특징과 유사도 점수 계산
인증방식
- Verification(1:1)
- DB에 저장된 x의 템플릿과만 비교하여 matching score가 threshold보다 높으면 인증
- Identification(1:n)
- DB에 있는 모든 사용자와 비교해 가장 점수가 높은 사람이 threshold보다 높을 경우 인증
2) 특징
- (Uniqueness) Inter-user similarity가 작아야 함
- False Match를 줄일 수 있음
- (Uniqueness) Inter-user similarity가 작아야 함
- (Permanence) Intra-user variation이 작아야 함
- False non-match를 줄일 수 있음
- (Permanence) Intra-user variation이 작아야 함
FAR & FRR
\(I_1: (x_{11}, x_{12}, ..., x_{1t}) \\ I_2: (x_{21}, x_{22}, ..., x_{2t}) \\ ... \\ I_n: (x_{n1}, x_{n2}, ..., x_{nt})\)
FAR과 FRR의 trade off 관계를 고려해 적절한 threshold를
설정 해야한다.
- genuine score: 같은 사람의 두 샘플을 비교하는 경우의 수
- ${n \choose 2} \times n$
- Impostor score: 서로 다른 사람의 샘플끼리 비교하는 경우의 수
- $t^2 \times {n \choose 2}$
- FAR(False Accept Rate): 남을 나라고 잘못 인증하는 경우
- $\text{FAR}(\eta) = p(s \geq \eta \;\vert\; \text{impostor})$
- FRR(False Reject Rate) 나를 나라고 인증하지 못하는 경우
- $\text{FRR}(\eta) = p(s \leq \eta \;\vert\; \text{impostor})$
공격 모델
유형 특징 문제 발생 Sheep 이상적 사용자 거의 문제 없음 Goats 본인 매칭이 불안정 (intra-user ↑) FRR ↑ (본인을 거절) Lambs 다른 사람과 비슷함 (inter-user ↑) FAR ↑ (타인을 허용) Wolves 타인을 속일 수 있음 보안적 위협 ※ 직업군별로 sheep이 될 수 있는 biometric trait이 다르기 때문에 trait의 적절한 선택이 필요하다.
3) Fingerprint Recognition
지문은 크게 Ridge(선)와 Valley(골) 패턴으로 구성되어 있다.
이러한 지문을 찍는 방식은 ⅰ) Rolled, ⅱ) Plain, ⅲ) Latent(잠재 지문) 등 으로 나뉘게 된다. 이때, 각각의 지문에 대해 정확하게 인식하도록 하는 것이 중요하다.
Level
(왼쪽부터 (a) 원본, (b) level 1, (c) level 2, (d) level 3)
지문은 수집된 해상도에 따라 level 3 feature 까지 추출할 수 있다.
- Level 1: 다음 점들의 패턴을 통해 지문을 Plain arch, Tented arch, Left/right loop, Whorl, Twin loop로 분류할 때 사용
- (a) Loop: ridge가 돌아 나가는 형태
- (b) Delta: 세모 형태로 ridge가 모이는 점
- (c) Whorl: Loop 2개가 모여 ridge가 하나의 점으로 모이는 형태
- (d) Non-Singularity: ridge나 delta가 없을 때
- Level 2: 다음 점들의 위치와 방향 통해 사람을 인증할 수 있음
- Ridge ending: Ridge가 끝나는 지점
- Ridge bifurcation: Ridge가 갈라지는 지점
- Level 3: 1000dpi 이상의 고해상도 장비를 통해 관찰 가능
보통 인증은 level 1, 2를 같이 활용하는 경우가 많고, 경우에 따라 level 3을 활용하기도 한다.
pipeline
ⅰ) Orientation & Frequency Estimation
$\quad$: 부분 이미지에 대해 DFT(Discrete Fourier Transform)을 적용하여 방향과 freq 추출
$\quad$: Smoothing 과정을 거처 방향 보정
singularity filter Poincare index ⅱ) Singularity Extraction
$\quad$: (Point) Poincare index등을 활용하여 singularity를 판단한다.(0: non, $\frac{1}{2}$: loop, $-\frac{1}{2}$ delta, 1: whorl)
$\quad$: (Direction) Ridge의 방향과 Reference(loop delta)의 방향을 이용해 loop와 delta의 방향을 설정(e.g. $D_{loop} = \tan^{-1} (\frac{\sum_W \sin2(O(x, y) - RO(x, y))}{\sum_W \cos2(O(x, y) - RO(x, y))})$)
ⅲ) Ridge Extraction
$\quad$ (Gabor Filtering): 다양한 방향의 필터를 사용하여 융선을 선명하게 만든다.
$\quad$ (Binarization): 필터링된 이미지를 흑백(0과 1)으로 변환한다.
$\quad$ (Merge): 이진화된 이미지들을 하나로 합친다.
$\quad$ (Thining): 융선의 두께를 1픽셀로 얇게 만들어 뼈대만 남긴다.
ⅳ) Minutiae Extraction
$\quad$ (Minutiae Detection): bifurcation과 ending을 찾아 표시한다.
$\quad$ (Calculate Direction): bifurcation과 ending의 방향을 계산한다.
$\quad$ (Remove): 테두리부분같은 spurious minutiae를 제거한다.
ⅴ) Matching
$\quad$ (Alignment): bifurcation과 ending을 찾아 표시한다.
$\quad$ (Pairing): bifurcation과 ending의 방향을 계산한다.
$\quad$ (Scoring): 테두리부분같은 spurious minutiae를 제거한다.
