プライベート生体認証

プライベート バイオメトリクスは暗号化されたバイオメトリクスの一種で、プライバシー保護型バイオメトリクス認証方法とも呼ばれ、バイオメトリクスペイロードは一方向の準同型暗号化された特徴ベクトルで、元のバイオメトリクステンプレートの 0.05% のサイズであり、完全な精度、速度、プライバシーでの検索が可能です。特徴ベクトルの準同型暗号化により、暗号化されたデータセットに対して多項式時間で検索と照合を行うことができ、検索結果は暗号化された照合として返されます。1 台以上のコンピューティング デバイスが暗号化された特徴ベクトルを使用して、コンピューティング デバイス内またはコンピューティング デバイス間、あるいは他のエンティティ間でプレーンテキストのバイオメトリクス データを保存、送信、受信することなく、個人を検証 (1:1 検証) したり、データストア内の個人を識別 (1:多識別) したりできます。プライベート バイオメトリクスの目的は、暗号化された空間内のバイオメトリクス データのみを操作することで、個人のプライバシーと基本的人権を保証しながら、個人を識別または認証できるようにすることです。プライベート バイオメトリクスには、指紋認証方法、顔認証方法、身体的特徴に応じた ID 照合アルゴリズムなどがあります。プライベート生体認証は、プライバシーのニーズ、個人情報の盗難、バイオテクノロジーの性質の変化に応じて常に進化しています。

生体認証セキュリティはユーザー認証を強化しますが、最近まで個人のプライバシーに対する重大なリスクも伴っていました。実際、漏洩したパスワードは簡単に置き換えることができ、個人を特定できる情報(PII) ではありませんが、生体認証データは、その個人的な性質、ユーザーとの固有の関連性、および漏洩した生体認証 (生体認証テンプレート) を取り消したり置き換えたりできないという事実により、非常に機密性が高いと考えられています。この課題に対処するために、プライベート生体認証が開発されました。プライベート生体認証は、必要な生体認証を提供すると同時に、一方向の完全準同型暗号化を使用することでユーザーのプライバシーの露出を最小限に抑えます。

生体認証オープンプロトコル標準IEEE 2410-2018は、2018年に更新され、プライベート生体認証が含まれ、一方向完全準同型暗号化特徴ベクトルは、「...生体認証データを保存時と転送時の両方で暗号化することにより、消費者のプライバシー保証を新たなレベルに引き上げます。」と述べられています。生体認証オープンプロトコル標準（BOPS III）では、プライベート生体認証の主な利点として、生体認証ペイロードが常に一方向暗号化されるためキー管理が不要になり、新しい標準によってAPIが簡素化されたことも挙げられています。^[1]

歴史的に、生体認証マッチング技術は暗号化された空間では動作できず、検索および照合操作中の特定の時点で生体認証が見える（暗号化されていない）状態である必要がありました。この復号化要件により、暗号化された生体認証（「1: 多数の識別」）の大規模な検索は、大きなオーバーヘッドの問題（複雑なキー管理、大量のデータ保存および処理要件など）と、アプリケーションまたはオペレーティング システム内でプレーンテキストで処理されると生体認証が失われる危険性が高い（たとえば、FIDO Alliance を参照）という 2 つの理由から、実行不可能でした。

そのため、データプライバシー法や規制に準拠する生体認証セキュリティベンダー（Apple FaceID、Samsung、Googleなど）は、より単純な1：1検証問題に注力し、 1：多数の識別問題を解決するために線形スキャンに必要な膨大な計算要件を克服することができませんでした。^[2]

現在、民間の生体認証暗号システムは、一方向の完全準同型暗号化を使用することで、これらの制限とリスクを克服しています。この形式の暗号化により、暗号文で計算を実行でき、参照生体認証を復号化せずに暗号化されたデータセットで照合を実行し、暗号化された照合結果を返すことができます。暗号化された空間での照合は、最高レベルの精度、速度、プライバシーを提供し、生体認証の復号化に伴うリスクを排除します。^[3]

プライベート生体認証特徴ベクトルははるかに小さい（元の生体認証テンプレートの 0.05% のサイズ）が、元のプレーンテキスト参照生体認証と同じ精度を維持しています。Google の顔認識およびクラスタリング用の統合埋め込みCNN (“Facenet”)、^[4] Labeled Faces in the Wild (LFW) (ソース)、およびその他のオープンソースの顔を使用したテストでは、プライベート生体認証特徴ベクトルはプレーンテキスト顔認識と同じ精度を返しました。8MB の顔生体認証を使用した場合、あるベンダーは 98.7% の精度率を報告しました。同じベンダーは、3 つの 8MB 顔生体認証と投票アルゴリズム (3 つのうち最高の 2 つ) を使用して予測した場合、精度が 99.99% に向上したと報告しました。^[5]

顔の生体認証画像の品質が低下すると、精度も非常にゆっくりと低下しました。256kBの顔画像（8MBの画像の3％の品質）の場合、同じベンダーは96.3％の精度を報告し、ニューラルネットワークは光や背景の極端なケースを含む境界条件を通じて同様の精度を維持できたと報告しました。^[6]

プライベートな生体認証特徴ベクトルは4kBで、128個の浮動小数点数が含まれています。対照的に、プレーンテキストの生体認証セキュリティインスタンス（Apple Face ID ^[7]を含む）は現在、7MBから8MBの参照顔認証（テンプレート）を使用しています。はるかに小さい特徴ベクトルを使用することで、1億のオープンソースの顔のデータストアを使用した場合、予測あたり1秒未満の検索パフォーマンスが得られます（「多項式検索」）。^[8]これらの結果に使用されたプライベート生体認証テストモデルは、Googleの顔認識およびクラスタリング用の統合埋め込みCNN（「Facenet」）、^[4] Labeled Faces in the Wild（LFW）（ソース）、およびその他のオープンソースの顔です。

すべての理想的な一方向暗号化ハッシュ関数と同様に、プライベート生体認証には復号キーが存在しないため、すべての可能なメッセージを試さない限り、プライベート生体認証特徴ベクトル (そのハッシュ値) から元の生体認証メッセージを生成することは不可能です。ただし、パスワードとは異なり、生体認証の 2 つのインスタンスがまったく同じになることはありません。言い換えると、生体認証の値は一定ではないため、すべての可能な顔を使用したブルート フォース攻撃では、近似 (あいまい) な一致しか生成されません。したがって、プライバシーと基本的人権は保証されます。

具体的には、プライベート生体認証特徴ベクトルは、任意のサイズのプレーンテキスト生体認証データを、数学的に反転不可能な固定サイズ (4kB) の小さな特徴ベクトルにマッピングする一方向暗号化ハッシュ アルゴリズムによって生成されます。一方向暗号化アルゴリズムは通常、事前トレーニング済みの畳み込みニューラル ネットワーク ( CNN ) を使用して実現されます。CNN は、任意の実数値スコアのベクトルを受け取り、それを 0 から 1 までの合計が 1 になる 4kB のベクトルに圧縮します。^[9] 128 個の浮動小数点数のプライベート生体認証特徴ベクトルから元のプレーンテキスト画像を再構築することは数学的に不可能です。^[10]

一方向暗号化は、暗号化を元に戻して元のデータを開示するメカニズムを含まないため、無制限のプライバシーを提供します。値が一方向ハッシュを介して処理されると、元の値を発見することはできません（そのため、「一方向」と呼ばれます）。 ^[11]

最初の一方向暗号化は、1960 年代から 1970 年代にかけて英国諜報機関 GCHQ の James H. Ellis、Clifford Cocks、Malcolm Williamson によって開発され、1976 年に Diffie と Hellman によって独立して公開されました (暗号の歴史) 。MD5 (メッセージ ダイジェスト) やSHA-512 (セキュア ハッシュ アルゴリズム)などの一般的な現代の一方向暗号化アルゴリズムは、元のデータを開示するメカニズムが含まれていない点で、最初のアルゴリズムに似ています。これらの現代の一方向暗号化の出力は高いプライバシーを提供しますが、準同型ではありません。つまり、一方向暗号化の結果では高次の数学演算 (一致など) を実行できません。たとえば、2 つのSHA-512 の合計を使用して、2 つの暗号化されたドキュメントの近さを比較することはできません。この制限により、これらの一方向暗号化を機械学習の分類モデル (またはほぼすべての他のもの) のサポートに使用することは不可能です。^{[引用が必要]}

生体認証処理のための最初の一方向で準同型暗号化されたユークリッド測定可能な特徴ベクトルは、2017年にStreit、Streit、およびSuffianによって論文で提案されました。 ^[12] この論文では、著者らは、(1) ニューラルネットワークを使用して、正規化された浮動小数点値で構成される一方向の完全準同型特徴ベクトルを生成する生体認証用の暗号システムを構築できること、(2) 同じニューラルネットワークは1:1検証(マッチング)にも役立つこと、(3)検索が線形時間(つまり非多項式)で行われるため、同じニューラルネットワークは1:多の識別タスクには役立たないことを理論化し、小さなサンプルサイズ(n= 256顔)を使用して実証しました。この論文の最初の点は(理論的には)後に正しいことが示され、論文の1、2、3番目の点は後に小さなサンプルに対してのみ正しく、大きなサンプルに対しては正しくないことが示されました。

2018年にMandelが行った後のチュートリアル（ブログ投稿）では、Streit、Streit、Suffianと同様のアプローチが示され、2つの特徴ベクトルの近さを判断するためにFrobenius 2距離関数を使用することを確認しました。この投稿では、MandelはFrobenius 2距離関数を使用して2つの特徴ベクトルの近さを判断し、1：1検証の成功も示しました。Mandelは1：多識別のスキームを提供しませんでした。この方法では、データベース全体の非多項式完全線形スキャンが必要になるためです。Streit、Streit、Suffianの論文では、完全線形スキャンの要件を緩和するために、1：多識別のための新しい「バンド」アプローチを試みましたが、このアプローチでは重複が多すぎて識別に役立たないことが現在ではわかっています。^[13]

プライベート生体認証の最初の商用実装である Private.id は、2018 年 5 月に Private Identity, LLC によって公開されました。これは、同じ方法を使用して、大規模な生体認証データベース (1 億の顔) 全体で多項式時間で 1 対多の識別を提供することによって実現されました。

クライアントデバイスでは、Private.id は各参照生体認証 (テンプレート) をニューラルネットワークからの行列乗算を使用して一方向の完全準同型ユークリッド測定可能な特徴ベクトルに変換し、ローカルに保存したり送信したりできます。元の生体認証は特徴ベクトルの計算後すぐに削除されます。ソリューションがファームウェアに埋め込まれている場合は、生体認証は一時的なものであり、保存されません。生体認証が削除されると、生体認証を紛失したり危険にさらされたりすることはなくなります。 ^[5]

Private.id特徴ベクトルは、 2つの方法のいずれかで使用できます。特徴ベクトルがローカルに保存されている場合は、線形数学を使用して1：1検証を高精度（99％以上）で計算するために使用できます。特徴ベクトルがクラウドにも保存されている場合は、特徴ベクトルをニューラルネットワークの入力として使用して、元のプレーンテキスト参照生体認証（テンプレート）と同じ精度、速度、プライバシーで1：多の識別を実行することもできます。 ^[5]

プライベート バイオメトリクスは、世界中のバイオメトリクス データ プライバシー法および規制に準拠するために、次の 2 つの特性を使用します。まず、プライベート バイオメトリクス暗号化は一方向暗号化であるため、復号化によるプライバシーの損失は数学的に不可能であり、プライバシーが保証されます。次に、バイオメトリクスの 2 つのインスタンスがまったく同じになることはなく、言い換えると、一定のバイオメトリクス値は存在しないため、プライベート バイオメトリクスの一方向暗号化された特徴ベクトルはユークリッド測定可能であり、同じ ID の 2 つのインスタンスが異なる ID の 2 つのインスタンスよりも「近い」あいまい一致を判定するメカニズムを提供します。

IEEE 2410-2018 生体認証オープンプロトコル標準は、2018 年に更新され、プライベート生体認証が組み込まれました。仕様では、一方向完全準同型暗号化特徴ベクトルは、「生体認証データを保存時と転送時の両方で暗号化することにより、消費者のプライバシー保証を新たなレベルに引き上げます」と述べられています。IEEE 2410-2018では、プライベート生体認証の主な利点として、生体認証ペイロードは常に一方向暗号化され、キー管理が不要になる ため、新しい標準ではAPIが簡素化されることも挙げられています。 ^[1]

プライベート生体認証により、米国国防総省の信頼できるコンピュータ システム評価基準 ( TCSEC ) の最も難しい要件であるパッシブ暗号化 (保存時の暗号化) が可能になります。他の暗号システムや方法では保存時の暗号化データに対する操作は提供されていないため、 1983 年以来TCSECの要件を満たしていないパッシブ暗号化はもはや問題ではありません。

プライベート生体認証技術は、アプリケーションやオペレーティング システムを実現する技術ですが、それ自体はTCSECで導入された監査や継続的な保護の概念に直接対応していません。

^{IEEE 2410-2018 BOPS III [1]}に準拠したシステムに実装されたプライベート生体認証は、米国国防総省の標準信頼できるコンピュータシステム評価基準 ( TCSEC ) のプライバシー要件を満たしています。TCSECは、コンピュータシステムに組み込まれたコンピュータセキュリティ制御の有効性を評価するための基本要件を定めています (「オレンジブック、セクション B1」)。現在、アプリケーションとオペレーティングシステムには、準同型暗号化がないため、保存時に暗号化されたデータを処理しないことを除いて、 TCSECレベル C2 および B1に準拠する機能が含まれています。既知の回避策がなかったため、常にではないにしても通常は免除を取得しています。これらのオペレーティングシステムとアプリケーションにプライベート生体認証を追加すると、この問題は解決します。

たとえば、一般的なMySQLデータベースのケースを考えてみましょう。妥当な時間内にMySQL をクエリするには、インデックスにマップされるデータ、インデックスがクエリにマップされるデータ、エンド ユーザー データにマップされるデータが必要です。これを行うには、プレーンテキストを使用します。これを暗号化する唯一の方法は、データ ストア全体を暗号化し、使用前にデータ ストア全体を復号化することです。データの使用は一定であるため、データが暗号化されることはありません。そのため、以前は回避策が知られていなかったため、免除を申請していました。現在では、プライベート バイオメトリクスを使用することで、常に暗号化されたデータと照合して操作を行うことができます。

IEEE 2410-2018 BOPS III に準拠したシステムに実装されたプライベート生体認証は、複数の独立したセキュリティ/安全性レベル ( MILS ) アーキテクチャの標準に準拠しています。MILS は、米国国防総省標準の信頼できるコンピュータ システム評価基準 ( TCSEC )、または国防総省の「オレンジ ブック」の基礎理論を表す、安全なシステムに関するベル理論とラ パドゥーラ理論に基づいています。(上記の段落を参照してください。)

プライベート バイオメトリクスの高保証セキュリティアーキテクチャは、分離と制御された情報フローの概念に基づいており、信頼できるコンポーネントをサポートするメカニズムのみを使用して実装されているため、セキュリティ ソリューションはバイパス不可能、評価可能、常に呼び出され、改ざん不可能です。これは、一方向暗号化された特徴ベクトルを使用して実現され、セキュリティ ドメイン間および信頼できるセキュリティ モニター間で暗号化されたデータのみを許可します (プレーンテキストを保存または処理することはありません)。

具体的には、民間の生体認証システムは次のとおりです。

• プレーンテキストの生体認証では、元の生体認証が開始時に一時的であるため、セキュリティ モニターをバイパスするために、より低いレベルのメカニズムを含む別の通信パスを使用できないため、バイパスできません (たとえば、クライアント デバイスによって取得された生体認証テンプレートは、開始時に数秒間のみ存在し、その後削除されるか、保存されません)。
• 特徴ベクトルがモジュール化されており、適切に設計され、適切に指定され、適切に実装され、小さく、複雑性が低いという点で評価可能です。
• 常に呼び出され、すべてのメッセージはセキュリティ モニターとは関係なく常に一方向に暗号化されます。
• 機能ベクトルの一方向暗号化により不正な変更が防止され、セキュリティ モニター コード、構成、およびデータに対する権限を制御するシステムが使用されないため、改ざん防止になります。

安全でない生体認証データは、その性質と使用方法により機密性が高いです。暗黙的な認証は、パスワードを使用する場合によく行われ、ユーザーは実際にパスワードを明かすことなくパスワードを知っていることを証明できます。ただし、同じ人物の 2 つの生体認証測定値は異なる場合があり、生体認証測定値のこの曖昧さにより、暗黙的な認証プロトコルは生体認証分野では役に立たなくなります。

同様に、2つのデバイスまたはエンティティが、お互いに、または他のデバイスやエンティティに値を提示することなく、保持している値が同じかどうかを確認するプライベートな等価性テストはよく実践されており、詳細なソリューションが公開されています。ただし、同じ人物の2つの生体認証が等しくない場合があるため、これらのプロトコルも生体認証の分野では効果がありません。たとえば、2つの値がτビット異なる場合、当事者の一方が確認のために2τ個の候補値を提示する必要がある場合があります。^[14]

プライベート生体認証が導入される前は、生体認証技術ではマッチングにプレーンテキスト検索を使用する必要があったため、検索プロセスのある時点で各生体認証が可視化（暗号化されていない）されている必要がありました。代わりに暗号化されたデータセットでマッチングを行う方が有益であることが認識されました。

暗号化の一致は通常、一方向暗号化アルゴリズムを使用して行われます。つまり、暗号化されたデータが与えられると、元のデータを取得するメカニズムはありません。一般的な一方向暗号化アルゴリズムは、MD5とSHA-512です。ただし、これらのアルゴリズムは準同型ではないため、暗号化されたデータの 2 つのサンプルの近さを比較する方法がなく、したがって比較する手段がありません。比較できないため、機械学習の分類モデルはどれも実行不可能になります。

準同型暗号化は、暗号文に対して計算を実行し、暗号化された一致結果を生成する暗号化形式です。一方向暗号化を使用した暗号化空間での一致により、最高レベルのプライバシーが実現します。一方向暗号化された特徴ベクトルのペイロードでは、復号化の必要がなく、キー管理も必要ありません。

生体認証データに対する準同型暗号化の有望な方法は、機械学習モデルを使用して特徴ベクトルを生成することです。ニューラル ネットワークなどのブラック ボックス モデルの場合、これらのベクトルは、それ自体では初期入力データを再作成するために使用できないため、一方向暗号化の形式になります。ただし、ベクトルはユークリッド測定可能であるため、ベクトル間の類似性を計算することができます。このプロセスにより、生体認証データを準同型暗号化できます。

たとえば、ユークリッド距離で実行される顔認識を考えてみましょう。ニューラル ネットワークを使用して 2 つの顔画像を照合する場合、最初に各顔が float ベクトルに変換されます。Google の FaceNet の場合、サイズは 128 です。この float ベクトルの表現は任意であり、元の顔にリバース エンジニアリングすることはできません。実際、ニューラル ネットワークからの行列乗算は顔のベクトルになり、ユークリッド測定可能ですが認識できず、どの画像にもマップできません。

プライベート生体認証が利用可能になる前は、部分的に準同型なデータまたは復号化された (プレーンテキスト) データと、検証者からプライベートデータを保護するプライベート検証機能を組み合わせて、証明者の生体認証が不正な検証者による悪用から保護されるようにすることに重点が置かれていました。この方法では、計算と通信のオーバーヘッドが発生しましたが、1:1 検証の場合は計算コストがかかりませんでしたが、大規模な 1:多の識別要件には実現不可能であることが判明しました。

1998年から2018年にかけて、暗号研究者は、キャンセル可能な生体認証、バイオハッシュ、生体認証暗号システム、双方向部分準同型暗号化という4つの独立したアプローチでこの問題を解決してきました。^[15]

特徴変換アプローチは、クライアント固有のキーまたはパスワードを使用して、生体認証特徴データをランダム データに「変換」します。このアプローチの例には、バイオハッシュやキャンセル可能な生体認証が含まれます。このアプローチは妥当なパフォーマンスを提供しましたが、クライアント固有のキーが侵害された場合は安全ではないことが判明しました。

キャンセル可能な生体認証

間接的な生体認証テンプレート（後にキャンセル可能な生体認証と呼ばれる）の最初の使用は、1998年にDavida、Frankel、Mattによって提案されました。^[16] 3年後、IBMのExploratory Computer Vision Groupに勤務していたRuud Bolle、Nilini Ratha、Jonathan Connellが、キャンセル可能な生体認証の最初の具体的なアイデアを提案しました。^{[17] [18]}

これらの通信では、キャンセル可能な生体認証は、アプリケーションごとに一意で、紛失した場合には簡単にキャンセルして交換できる生体認証テンプレートとして定義されていました。このソリューションは、（当時は）生体認証テンプレートの変換された（ハッシュ化された）バージョンのみを保存することで、複数のテンプレートを同じ生体認証データに関連付けることができるため、より高いプライバシーレベルを提供できると考えられていました。このソリューションは、生体認証テンプレートの変換されたバージョンのみ（暗号化されていない（プレーンテキストの）生体認証テンプレートではなく）が後で使用するために保存されるため、ユーザーの生体認証データがさまざまなデータベース間でリンクされるのを防ぐことができるという点でも宣伝されました。^{[19] [20] [21]}

キャンセル可能な生体認証は、その多様性、再利用性、一方向暗号化（当時は一方向変換と呼ばれていた）のため有用であると考えられていた。具体的には、キャンセル可能なテンプレートは2つの異なるアプリケーションで使用できない（多様性）、侵害が発生した場合にキャンセル可能なテンプレートを取り消して再発行するのは簡単（再利用性）、テンプレートの一方向ハッシュにより機密生体認証データの回復が防止される。最後に、変換によって精度が低下することはないと仮定された。^[22]

• バイオハッシュ

キャンセル可能な生体認証の研究は、2004年までにバイオハッシュへと移行しました。バイオハッシュの特徴変換技術は、Jin、Ling、Gohによって最初に発表され、生体認証の特徴とトークン化された（疑似）乱数（TRN）を組み合わせました。具体的には、バイオハッシュは、生体認証テンプレートとユーザー固有のTRNを組み合わせて、生体認証とTRNの両方が同時に提示されない限り再現不可能であると考えられていた、非可逆なバイナリビット文字列のセットを生成しました。^[23]

実際、バイオハッシュ技術は顔、指紋、手のひらの指紋に対して完璧な精度（同等のエラー率）を達成したと最初に主張され、その極めて低いエラー率と、生体認証特徴とTRNの内積を因数分解することが困難な問題であるため生体認証データは損失に対して安全であるという主張が組み合わされて、この方法はさらに注目を集めました。^{[23] [19]}

しかし、2005年までに、研究者のCheungとKong（香港理工大学とウォータールー大学）は2つの論文で、バイオハッシュのパフォーマンスは実際にはTRNのみの使用に基づいていると主張し、システムはトークンでしか使用できないため、いかなる形式の生体認証の導入も無意味になると推測しました。^{[24] [25]}これらの研究者はまた、本物のトークンが盗まれ、詐欺師によって使用された場合に（「盗まれたトークンのシナリオ」）、ランダムハッシュの非可逆性が生体認証の認識精度を低下させると報告しました。^{[24] [26]}

生体認証暗号システムは、もともと生体認証機能を使用して暗号鍵を保護する（「鍵と生体認証の結合」）か、生体認証機能から直接暗号鍵を生成するために開発されました。^[27]生体認証暗号システムは、暗号化を使用してシステムに暗号鍵の保護を提供し、生体認証を使用してシステムに動的に生成された鍵を提供し、テンプレートと生体認証システムを保護しました。^[28]

しかし、生体認証暗号システムソリューションの受け入れと展開は、生体認証データに関連する曖昧さによって制約されていました。そのため、ファジーボールトやファジーコミットメントなどのエラー訂正コード（ECC）が、生体認証データの曖昧さを軽減するために採用されました。しかし、この全体的なアプローチは、正確な認証の必要性のために非実用的であることが判明し、認証の正確性をサポートするために強力な制限が必要であるため、セキュリティ上の問題がありました。^[29]

生体認証暗号システムに関する今後の研究は、生体認証識別子のあいまいな表現と生体認証特徴抽出および照合アルゴリズムの不完全性の両方に関わる、実装上の課題とセキュリティ上の問題に焦点が当てられる可能性が高い。そして残念ながら、生体認証暗号システムは、現在のシステムの両方の弱点（生体認証識別子のあいまいな表現と生体認証特徴抽出および照合アルゴリズムの不完全性）を利用した比較的単純な戦略を使用して現時点で破ることができるため、適切な進歩が達成されるまで、これらのシステムが許容できるエンドツーエンドのシステムパフォーマンスを提供できる可能性は低い。^[30]

プライベート生体認証のための双方向部分準同型暗号化方式は、準同型暗号化を使用して生体認証特徴データを保護し、ハミング距離やユークリッド距離などの測定基準で暗号化された特徴データの類似性を測定するという点で、今日のプライベート生体認証と類似している。しかし、この方法は、信頼できる当事者によって管理される秘密鍵の存在により、データ損失に対して脆弱であった。このアプローチの広範な採用は、暗号化方式の複雑な鍵管理と、大規模な計算およびデータストレージ要件にも悩まされた。^[15]

• 準同型暗号
• アイデンティティ管理

• BOP - 生体認証オープンプロトコル
• フィドアライアンス
• LFWcrop 顔データセット
• キャンセル可能な生体認証
• EER - 等エラー率
• Technovelgy.com、生体認証マッチング