论文地址：DeepMasterPrints: Generating MasterPrints for Dictionary Attacks via Latent Variable Evolution
文章基于GAN网络生成一个可以匹配最多数指纹的指纹图像，再使用潜在变量进化生成用于字典攻击的万能指纹（DeepMasterPrint）。
文章提出了一种新的方法：Latent Variable Evolution（LVE），LVE方法有两步：
- 用WGAN算法训练一个generator来生成高质量指纹图像。
- 用协方差自适应调整的进化策略CMA-ES进化指纹：在网络的latent variable里（generator的输入向量）找到影响最好的DeepMasterPrint（能匹配很多指纹图像的指纹）的变量，从而获得万能指纹。
文章在两个指纹dataset上做了测试，并且使用了多个不同的指纹匹配器（指纹识别系统里的匹配）。
3.1 Fingerprint Generator
- 使用WGAN算法训练了两个生成器网络，一个使用电容传感器扫描的指纹数据集训练，另一个使用墨水印章的指纹数据集。
- 2个网络使用Wasserstein loss function和RMSProp优化方法来训练，学习率设置为0.00005.
- 生成器都是使用minibatch gradient descent来训练，每个batch 64个图像和64个latent variable vector。每个生成器迭代120，000次，更新generator两次中间会更新5次discriminator。
- G的结构中使用deconvolution会造成难以训练（blocky artifacts)，所以改用unsampling。
文中提到已有的一些研究已经表明GAN无法拟合整个数据的分布，所以WGAN生成的指纹也必定只能适用于部分指纹。
3.2 Searching the Space of Latent Variables
为了创建DeepMasterPrint，需要找到latent variables的最优值，generator的输入被称作latent variables（潜在变量）的原因是latent variable对输出的影响只能通过观察输出的图像来理解。文中使用了100个latent variables作为输入，所以最优解实际上是一个100维空间中的一个点。LVE生成的这些高得分的点，实际上就是指纹的“基因”。
LVE可以使用任意的进化算法（或其他的全局优化器，如Particle Swarm Optimization）来寻找潜在空间。文章阐述了使用进化算法的原因：
- 进化算法不需要梯度，因此是一个理想的黑盒优化方法。指纹的匹配器只会反馈有多少特征匹配了或者匹配结果如何，并不会说明结果是如何获得的。即没有梯度信息能表明哪一个pixel of DeepMasterPrint是影响最大或最小的。
- LVE方法获得的匹配得分表达的是特征匹配的数量，所以这个匹配得分空间也是不连续的。
- 由于卷积神经网络的层级性质，latent variables也不是相互独立的。
文章采用了CMA-ES算法，CMA-ES学习了latent variables的协方差矩阵（covariance matrix），CMA-ES的核心想法是通过对正态分布 中协方差矩阵
的调整来处理变量之间的依赖关系和scaling。作者用了3天来遍历每一个指纹。
指纹底库（identity，注册时候的输入，表示身份）由12个partial fingerprint组成，只要12个局部指纹有一个和generator生成的指纹匹配成功了就算是匹配成功。作者使用了多个指纹识别系统来做匹配：VeriFinger 9.0 SDK，Bozorth3 matcher，Innovatrics IDKit 5.3 SDK.
3.3 Experimental Setup
手机是最容易被DeepMasterPrint攻击的，因为他们的传感器很小。
作者设置FMR指标为1%、0.1%、0.01%，FMR在有人脸和图像清晰情况下（实际识别过程中可能没有采集到人脸，该次数不计入FAR）相当于FAR，理论上，FMR设置越大系统越不安全，FMR越小可能影响用户体验（相应的FRR会增大）。以下是文章攻击成功率表: