该论文研究模型量化与模型反演攻击（Model Inversion, MI）之间的定量关系，并据此提出一种兼顾隐私与效用的训练后量化方法。研究背景是：量化通过降低神经网络权重与激活的数值精度来压缩存储与计算开销，已在边缘与部署场景广泛使用；但模型反演攻击恰恰依赖模型输出或中间特征来重建敏感训练数据或推理输入，因此精度压缩会以何种方式改变攻击有效性，此前缺乏系统性解释。作者提出两个未被回答的问题：一是量化如何影响模型反演；二是数据自身特性如何调节这一关系。针对第一个问题，作者对“输入”与“由预测概率定义的分类型变量”之间的互信息在量化前后的变化给出界（bound），从而把量化的信息论层面影响与攻击优化层面遇到的障碍区分开来，说明攻击成功率下降既可能源于信息泄漏减少，也可能只是优化难度上升。针对第二个问题，作者刻画了随数据分布变化的特征分布漂移与反演结果差异，发现 4 bit 量化下的敏感性差异尤为显著。基于这些洞察，论文设计了一种隐私感知的训练后量化（PTQ）方法：使用 Fisher 类型的任务敏感度代理进行预算感知的比特分配，校准激活取值范围，并以任务恢复与几何保持为目标，联合优化权重/激活缩放因子与权重舍入决策，同时加入缩放与舍入正则项，从而在恢复精度的同时提升抗反演能力。实验覆盖多种评价指标、多种网络架构，以及人脸、掌纹、虹膜识别任务。在 ResNet-50 与 Palm 数据集上，4 bit 量化使 RL-MIA 的严格成功率从 54% 降至 26%，而相对 FP32 精度仅从 99.01% 降到 96.55%。该方法还可与输出层防御叠加：在 Iris 数据集 4.5 bit 量化基础上加入 Stealthy Shield Defense（ε=0.1），使 BREP-MI 的严格成功率从 63.33% 降至 37.33%，精度相对单纯量化从 92.8% 降至 87.6%。论文面向对隐私敏感的生物特征识别模型部署，适合从事模型压缩、隐私保护机器学习与模型反演攻防的研究者和工程人员阅读。

该论文研究了基于脑电信号（EEG）的生物特征识别系统的对抗性脆弱性。随着EEG信号被提议用作生物识别凭据，其安全性评估成为重要问题。以往研究主要针对深度学习分类器，并假设攻击者拥有对模型的完全访问权限（白盒攻击），而忽略了其他更常见的神经特征提取方法以及更现实的黑盒攻击场景。为此，作者提出了一组自适应攻击算法，攻击者仅需黑盒访问认证系统，即可通过有针对性地篡改窃取的EEG记录来欺骗系统，且无需了解认证系统的内部细节。研究在6个公开数据集上进行了测试，覆盖三种记录条件：视觉刺激反应、运动想象和静息状态。实验表明，不同的神经特征提取方法在对抗攻击下的脆弱性差异显著；同时，记录条件（如任务类型）对欺骗攻击的成功率有重要影响。最后，作者基于对抗测试结果，为提升神经特征生物识别系统的安全性提出了改进建议。该工作填补了神经生物识别在黑盒对抗攻击研究方面的空白，为脑机接口和生物认证安全领域提供了系统性的评估框架。适合安全研究人员、生物识别系统开发者和脑机接口领域的学者阅读。

该论文是一篇关于硬件与生物特征融合信任机制的综述性研究，由Nima Karimian撰写，核心关注现代网络物理系统、物联网、可穿戴设备及边缘计算场景中日益突出的“人-设备-功能”三重信任需求。传统上，生物识别用于确认用户身份，但面临呈现攻击、用户内差异、模板泄露和吊销困难等问题；物理不可克隆函数（PUF）提供设备级物理身份与按需密钥派生，但受环境噪声、辅助数据泄露、侧信道和建模攻击威胁；硬件混淆与逻辑锁定通过激活密钥约束电路行为，却易受基于oracle的、近似、结构、移除及物理攻击。现有研究往往将这三者割裂讨论，缺乏统一视角。本文率先提出跨层信任根的统一框架，将每个原语分解为完整的处理链，明确对应的安全假设、实现机制与评估指标；随后系统性地归纳了三类两两组合（生物特征-PUF、PUF-硬件混淆、生物特征-硬件混淆）以及一种三方架构，在该架构中电路正确功能同时绑定授权用户与真实设备。综述特别关注生物特征密钥重建、PUF稳定性与抗建模攻击、逻辑锁定攻击评估、跨层错误传播、注册阶段信任、密钥生命周期以及接口泄露等关键问题。最终，文章提出了面向可吊销的人-设备凭据、组合安全、泄漏感知集成、可重构激活以及标准化端到端评估的研究路线图，旨在为设计兼具安全性与实用性的跨层信任系统提供参考。该论文适合硬件安全研究员、物联网安全工程师、密码学开发者以及关注可信执行环境的蓝队人员阅读，帮助其理解不同信任原语之间的交互影响与潜在攻击面。

本文针对人脸识别系统中两个常见但通常被分开研究的失败模式：欺骗攻击（攻击者使用授权用户的照片或视频冒充）和伪装（合法用户因配饰、胡须、光照或姿态变化导致外观与注册模板不匹配而被拒绝）。作者提出并比较了五种结合特征提取与分类的流水线，在统一框架下同时处理这两种问题。五种方法分别是：PM（主成分分析+最小欧氏距离）、LPM（局部二值模式+PCA+MED）、HPM（方向梯度直方图+PCA+MED）、SM（加速鲁棒特征+MED）和HM（Harris角点特征+MED）。每种流水线都遵循两阶段流程：预处理、特征提取、特征过滤和分类。实验使用了来自FEI、伪装人脸数据库和NUAA数据库的115个受试者，在六种测试条件下评估，涵盖混合外观、正面人脸、暗光照、左右转向姿态和照片欺骗尝试。结果显示，基于HOG的HPM在所有条件下表现最一致，在混合外观伪装下准确率94.59%，在不同姿态和光照下为81.5%-93.2%，欺骗检测准确率91.67%；而基于LBP的LPM在欺骗检测上排名第二（93.2%），仅次于PM（96.67%），但对姿态变化鲁棒性较弱。这些结果揭示了经典特征表示在欺骗敏感性和伪装鲁棒性之间存在可衡量的权衡，作者在结论部分讨论了深度学习和跨数据库扩展方向。适合计算机视觉、人脸识别安全和生物特征认证领域的研究人员阅读。

本文重新审视了人脸识别系统（FRS）中的 MasterFace 冒充攻击。在现实的对抗能力约束下（例如仅有限的基于决策结果的认证尝试次数、且攻击者不了解系统内部结构），大多数已知攻击技术难以实施，因此零努力冒充者（即仅依赖误匹配率 FMR 的随机冒充）通常被当作独立的安全基线。此前研究曾提出 MasterFace 攻击能在上述约束下突破 FMR 基线，但后续多项研究认为在现代 FRS 中此类攻击难以超过标准 FMR。然而，本文发现，攻击者只需合法访问公开的商业 API，即可通过 MasterFace 显著放大下游应用的冒充成功率，形成超越 FMR 基线且不可忽视的威胁。作者观察到多个真实世界的 FRS 部署基于商业 API 实现，且后端服务商可被公开确认或轻易推断；攻击者无需获得超出目标 FRS 本身的特殊权限，只需按需付费购买这些 API 服务即可发起攻击。基于这一观察，作者将 MasterFace 攻击形式化为生物特征表示空间上的最大覆盖问题，并将其命名为 NET；通过利用表示空间的几何结构，攻击者可构建针对特定 API 定制的 NET。实验表明，在最多 30 次认证尝试内，该攻击能将多个开源及商业 API 类 FRS 的冒充率相对于标准 FMR 预期值放大至多 9.5 倍。该研究揭示了商业 API 复用带来的新型安全风险，对依赖第三方人脸识别服务的系统设计与评估具有重要参考价值。

本文针对现有安全消息应用中认证密钥交换（AKE）协议的一个根本性缺陷：传统AKE只验证终端中存储的随机密钥（对应已认证公钥）是否存在，而无法确认使用该应用的合法用户身份。为此，作者提出了一种基于生物特征认证的密钥交换（BAKE）框架。该框架的核心思想是从用户生物特征中直接派生秘密密钥，且无需在终端持久存储该密钥，从而避免生物特征数据库泄露风险。为了在保护生物特征隐私的同时实现单轮密钥交换，作者设计了非对称模糊封装机制（AFEM），该机制利用从生物特征秘密密钥派生的公钥封装消息，只有相近的私钥才能解封装，从而容忍生物特征采集时的噪声。论文进一步针对两类生物特征（虹膜和指纹）分别给出了两种AFEM具体实例，并对其安全性进行了分析，通过大量实验展示了BAKE的性能表现。整体上，该研究为安全消息应用提供了一种将用户身份与密钥绑定、同时兼顾隐私和效率的新思路。

该论文提出了一种名为“生物特征传感器网络”(Biometric Sensor Network, BSN) 的系统，旨在实现 STEM 课堂环境中学生个体参与度(Student Engagement)的实时测量与持续追踪。传统的学生参与度评估方法往往依赖人工观察、自我报告或侵入式设备，难以在真实课堂中大规模、非干扰地应用。本文设计的 BSN 通过分布式感知节点“学生处理单元”(Student Processing Units, SPUs) 捕获行为、情感和认知三类参与度指标，核心设计目标包括非侵入性、非侵犯性、非污名化、实时性、自动性，同时严格保护学生数据安全和隐私。每个 SPU 支持两种工作模式：数据集采集模式和分析模式。在采集模式下，系统临时记录原始视频以构建私有学生参与度数据集，用于模型训练和验证；在分析模式下，SPU 仅对 10 秒视频片段进行端侧实时推理，不存储或传输原始画面。所有视觉处理——包括人脸检测、视线估计和情感分析——均在设备本地完成，确保可识别的视频数据不离开设备。此外，系统还包含安全的后端基础设施，负责设备认证、会话编排和加密数据接入。整体架构综合了硬件设计、计算机视觉流水线、无线网络、安全协议和会话级数据管理。该研究的主要贡献在于提出了一种完整可部署的隐私保护型实时参与度测量系统方案，解决了现有方法在实用性、隐私和实时性之间的平衡问题。适合研究教育技术、情感计算、边缘 AI 和隐私保护计算机视觉的研究人员阅读。由于本文仅为摘要，尚未提供实验验证细节，因此只能作为概念性研究参考。

近年来智能手表普及，许多应用独立运行，不再依赖配对手机，因此需要独立的用户认证机制。当前智能手表常采用PIN码或图案解锁，但这类方法交互不便且安全性有限。基于生物特征的身份认证虽然更安全，但通常需要额外传感器或用户主动交互。本文提出一种无需额外硬件的可用用户认证方法，利用振动在人体内传播时因身体结构差异（吸收、反射、传播特性不同）而产生独特响应。该方法采用挑战-响应模式：智能手表内置振动器发出随机序列的多种振动类型作为挑战，同时利用手表内置的陀螺仪和加速度计采集响应信号。这是首个在低规格商用智能手表上实现振动测量的工作模型。作者使用商用智能手表进行评估，实验结果表明该方法的等错误率（EER）低至1.37%，展示了良好的认证性能。该方法无需用户主动操作（如特定手势），仅需佩戴手表即可自然完成认证，大幅提升了可用性。研究团队详细分析了振动信号特征提取与分类算法，并验证了不同佩戴松紧度、时间跨度下的鲁棒性。该工作为可穿戴设备提供了一种兼顾安全性与用户体验的新型认证方案。

该论文提出了一种名为 VIGIL（Verifying Identity via Gated Intermittent Likelihoods for Continuous Biometric Authentication）的连续多模态身份认证框架，旨在解决现有连续认证方案在信号质量差时无法有效区分持久攻击者与合法用户的问题。VIGIL 的核心贡献包括：1）可配置的跨模态融合机制，允许对每种生物特征模态进行独立加权，使操作员能够根据场景选择不同的融合策略；2）改进的时间融合方法，采用双状态状态转移机（STM）与单向转移矩阵，以更准确地建模用户行为的时间动态；3）三区域验证决策模型，当证据不确定时支持多轮验证，并结合自适应收缩验证窗口，在保证合法用户体验的同时缩短入侵检测时间。实验通过单调衰减、回流消除以及分析评估验证了该框架相对于现有方法的优势。该研究适用于需要高安全性且不影响用户体验的持续身份认证场景，如企业网络访问控制、移动设备解锁等。

针对生物特征模板保护（BTP）中存在的可比较表示泄露、辅助数据依赖、与具体模态耦合等问题，本文提出了一种名为多置换标签分类器编码（MPLCE）的新方法。其核心思想是利用身份分类的固有特性——将变化的生物特征样本映射到稳定且具判别性的身份级输出。MPLCE 为每个分类器分配独立的标签置换，使得同一身份在不同分类器中被赋予不同标签；将这些预测标签编码并拼接形成中间模板，然后与特定应用的异或字符串随机化，最后进行密码学哈希。这一设计避免了单个身份标签的重复编码，扩大了有效候选空间，同时通过分类一致性保证准确率。由于采用加密哈希精确匹配验证，无需纠错码或依赖生物特征的辅助数据。MPLCE 支持多种模态，只需替换相应分类器即可。在四个面部数据集（如 YTF、CASIA-WebFace 等）和两个虹膜数据集（CASIA-Iris-Lamp 等）上，MPLCE 取得了具有竞争力的性能：在 YTF 上误识率（FAR）为 5.51×10⁻⁵% 时识别率（GAR）达 98.61%；在 CASIA-Iris-Lamp 上 FAR 为 0.00% 时 GAR 达 99.10%。安全性分析验证了在威胁模型下模板的不可逆性、可撤销性和不可链接性。该方法为生物特征模板保护提供了一种理论新颖且实践可行的方案，尤其适用于需要高安全等级的跨境认证、金融支付等场景。

该论文探讨了合成图像（Synthetic Images）在隐私保护生物识别应用与深度伪造（Deepfake）检测中的矛盾关系。一方面，合成图像技术（如生成对抗网络GANs生成的虚假人脸）可用于创建隐私安全的生物识别系统，例如通过合成替代真实用户照片来训练识别模型，从而避免直接存储个人生物特征数据，降低数据泄露风险。另一方面，同一技术也被滥用于生成深度伪造内容，对社交媒体上的信息真实性构成威胁。论文提出了一种统一的框架来同时实现隐私保护生物识别和深度伪造检测：利用合成图像构建鲁棒的生物识别模板，同时开发基于合成图像特征的新型Deepfake检测方法。实验表明，该方法在保持高识别精度的同时，能有效区分真实与合成图像，并抵抗常见的对抗攻击。论文还讨论了合成图像在平衡隐私与安全中的伦理考量，并提出了一个面向无虚假信息社交网络的部署方案。

该论文提出了一种名为 BlowLive 的多因素生物识别框架，旨在解决现有生物识别系统在活体检测、模板保护、可撤销性和准确性等方面的不足。BlowLive 融合了两种互补的生物特征模态：行为模态的吹气声学信号（blow-acoustics）和生理模态的面部生物特征。框架采用先进的频谱特征提取和多模态融合技术，即使对于行为模态也实现了高认证精度（吹气声学 99.56%，面部及融合 100%）。核心创新在于：1) 使用模糊提取器从噪声生物特征输入中生成稳定的加密密钥，替代原始模板进行认证，从而保护隐私并支持模板可撤销性；2) 基于多普勒频移设计了一种新颖的活体检测机制，有效抵御回放、合成和深度伪造攻击。实验基于 50 名参与者的数据集，验证了 BlowLive 在认证准确性（融合模态 100%）、活体检测（99.42%）、模板安全性与可撤销性、非侵入性和高可用性方面的有效性。该研究为下一代安全生物识别系统提供了新的设计思路。

本文提出了一种基于注意力引导的1D与2D CNN融合框架，用于鲁棒的ECG生物特征识别。现有方法大多单独处理一维时间信号或二维时频表示，泛化能力有限。作者构建了一个端到端的混合架构：1D分支（采用InceptionTime）从原始ECG信号中提取时域和形态特征，2D分支（采用ResNet-34）从时频表示中捕获判别性频谱信息，并通过注意力机制动态加权两个模态，克服了静态融合的局限。在ECG-ID、MIT-BIH和PTB三个基准数据集上，识别准确率分别达到99.56%、100.00%和99.89%。在跨越十年的多会话Heartprint数据集上，同会话准确率为94.93%–99.09%，跨会话准确率约53%–56%，证明能捕获稳定的长期生物特征。消融实验表明注意力融合优于传统融合方法。该框架为ECG生物特征识别提供了鲁棒、可扩展的高性能解决方案。

本文提出了一种名为BIDO（Biometric Identity Online）的无设备生物特征认证标准。传统的身份认证系统往往依赖于用户携带物理令牌、智能卡等硬件，或者存储长期生物特征模板，存在隐私泄露和资源消耗问题。BIDO旨在实现与NIST SP 800-63B中认证器保证等级2（AAL2）相当的安全强度，同时无需存储任何长期生物特征模板、面部图像或其他个人身份信息（PII）。其核心创新在于：在每次认证事件中，从实时采集的生物特征测量值（如面部图像）和用户自定义的记忆秘密（盐值）中，通过确定性算法派生出基于椭圆曲线数字签名算法（ECDSA）的密钥材料。这一过程消除了持久性私钥存储的需求，并且可以在任何商用传感器终端上完成验证。生成的凭证属于不可发现（非驻留）的WebAuthn凭证，完全兼容所有支持FIDO2的网站和服务，无需对服务器端进行任何修改。BIDO的具体流程包括：捕获200个有效的生物特征样本，使用Dlib 68点面部地标预测器进行特征提取，执行仿射面部对齐、正面门控、计算眼间中点的欧氏距离，再进行模数为8的底除量化、会话间漂移稳定，最后通过多数投票的SHA-256哈希绑定生成验证种子（Vseed）。WebAuthn凭证从Vseed中临时派生，签名后立即在内存中清零。实验基于三个主流面部基准数据集（VGGFace2、LFW、MegaFace）进行评估。结果表明：在LFW上达到99.51%的验证准确率，在MegaFace Challenge 1（含10^6干扰项）上Rank-1识别准确率为92.14%，密码学层次的错误接受率（FAR）仅为0.03%，错误拒绝率（FRR）为0.90%。该工作主要面向身份认证安全领域的研究者和开发者，尤其适用于需要强安全且尊重隐私的无密码认证场景。

该论文研究了基于腕戴式设备的连续身份认证问题，提出了一种利用低频光电容积脉搏波（PPG）信号的实用方案。传统上，心电图（ECG）信号虽具有高区分性，但其侵入性传感和间断采集限制了实际应用；而PPG信号可实现非侵入式连续采集，易于集成到智能手表等可穿戴设备中。然而，以往研究大多依赖高频PPG（如75-500 Hz）和复杂深度学习模型，导致能效和计算开销大，难以在低功耗现实系统中部署。本研究首次在智能手表（We-Be Band）上实现了基于低频（25 Hz）多通道PPG的连续认证系统，采用双向长短期记忆网络（Bi-LSTM）结合注意力机制，从短时（4秒）4通道PPG窗口中提取身份特异性特征。在公开数据集PTTPPG和自建We-Be数据集（26名受试者）上的评估表明，系统平均测试准确率达88.11%，宏F1分数0.88，误接受率（FAR）0.48%，误拒绝率（FRR）11.77%，等错误率（EER）2.76%。相比512 Hz和128 Hz采样率，25 Hz系统分别降低传感器功耗53%和19%，且认证性能未显著下降。进一步实验发现，当采样率降至20 Hz时性能急剧下降而功耗节省极少，因此25 Hz被视为实用下界。此外，仅用静息数据训练的模型在运动状态下失效，而包含活动多样性数据的训练能提升跨生理状态的鲁棒性。该工作为可穿戴设备实现低功耗、连续、非侵入式身份认证提供了可行方案，对物联网安全和人机交互领域具有参考价值。

本文对生物特征模板保护方法 PolyProtect 的“不可逆性”进行了深入分析。PolyProtect 最初被提出用于保护人脸嵌入（face embeddings），它通过多元多项式将嵌入转换为受保护模板，每个主体的多项式的系数和指数都是唯一的。多项式被应用于嵌入中连续的元素集合，集合之间的重叠量是一个可调参数。作者首先展示了使用基于余弦距离的数值求解器比基于欧氏距离的求解器更容易反转 PolyProtected 模板。为了增加反转难度，他们提出了一种“密钥选择算法”，该算法试图选择使得模板更难被反转的“密钥”（多项式的系数和指数），而不是完全随机选择。实验表明，该算法能够显著提高模板的不可逆性，并且大致均衡了不同重叠参数生成的模板的不可逆性，从而更好地控制不可逆性与准确性之间的权衡。此外，文章还发现嵌入元素的范围会影响准确性，但通过在应用 PolyProtect 之前对嵌入进行归一化可以改善。该工作使用开源代码可复现。论文适合生物特征识别安全研究人员、模板保护设计者阅读。