清华大学郑方：语音技术与身份信息的隐私保护（附视频&PPT）

2018 年 6 月 7 日 THU数据派

在大数据、人工智能时代，语音识别和声纹识别作为非常重要的技术手段，成为我们主要的关注点之一。在第二届“大数据在清华”高峰论坛“语音处理及数据安全技术专场”中，清华大学语音和语言技术中心主任郑方发表题为“语音技术与身份信息的隐私保护”的演讲，探讨了中间身份信息隐私保护的问题，以及语音处理技术在其中发挥的重要作用。

清华大学语音和语言技术中心主任郑方

演讲时长约半个小时，建议使用wifi观看

公众号后台回复“语音”，下载演讲PPT

郑方：在互联网时代，人们的生活既存在于物理空间,又存在于网络空间，其中网络空间的安全问题非常关键。世界各国就如何在网络空间里进行身份认证问题，提出了很多的计划，以推动个人和组织在网络上使用安全、高效、易用的身份解决方案。

在这些身份认证方式里面，未来的主体方案就是生物特征识别技术。生物特征分为两类：

一类是生理特征，如指纹、人脸、虹膜、掌纹、指静脉，包括DNA等；
另外一类是行为特征，以交互的行为来进行身份认证，如声纹、签名、步态、手势以及键盘的敲击等。

生理特征比较稳定、生来不变，能够准确地反映身份。而行为特征在交互的过程中体现身份，貌似不是特别稳定，不太适合身份认证。

在生物特征识别技术的发展过程中，人们面临着诸多安全问题，如利用他人照片、视频，即可对人脸识别系统轻易进行攻击，或者只需采用一些传统方法，就可以轻易攻击某些基于AI安全手段的系统。这些问题导致的原因大概分为以下四个方面：

算法的准确率
算法漏洞
成本因素：由于不能提供更多的传感器，如不能进行三维的图像，往往是用二维的，或者是用简单的传感器来采集人脸图像，因此防攻技能降低，这里不管是硬件成本，或者是技术成本都是采用低成本方案。
生物特征内在的因素：在现在技术条件下，生理特征的不变特性，使得用人工智能技术就可以把各种不变的东西完全造出来，如指纹可以通过指膜实现，虹膜可以通过一个假的隐形眼镜实现。

由于生理特征的不可撤销性，信息在采集和传输的过程中可能丢失，信息丢失之后整个人的身份就丢了；而后这些信息可能在任何的时候被非法使用，这就是隐私丢失对安全的冲击。安全和隐私，是一对孪生兄弟，它们是无监督的身份认证必须考虑的问题。

在无监督的情况下，如何安全地进行身份认证是非常关键的。将生物特征用在无监督情况下的认证，要考虑以下五个方面的因素：

人证合一：生物特征要具有唯一性，识别技术要能够保证准确性。
不易伪造：活体检测可用于防攻击，而且性价比高。
真实意图：被认证的真实意图不怕丢失和复制，可保护隐私，但比活体检测更难、更为需要，因为它包含了活体检测的功能。
证据可追溯：在无监督的情况下，每一次的认证能记录证据，就可用于追溯。
认证的便（pian）宜和便（bian）宜：所谓便宜就是成本低，便宜就是方便，设备、平台依赖性低，使用方便。

语音信号可以在很大程度上解决这一问题。语音信号是一个形简意丰的信号，信息量很大，比如说口音、语种、情感、性别身份和语音的内容，各种的信息都在一维的信号里面表现出来。

从结构化角度，人类的语言信息可以分为三层：

第一层是语言信息，包括语音内容和语句；
第二层是副语言信息，包含说话人的态度、情感、意图等等，体现为音高、韵律、音量、音色，还有语调等，可以展现意图和态度；
第三层是非语言信息，如身体状况、年龄、性别。语言信息有利于防止伪造，也有利于保存活的证据；副语言信息有利于检测真实意图，非语言信息可部分地追溯证据。

随着深度机器学习在语音识别、图像处理等领域的快速发展和成功应用，近年来，基于深度学习的相关方法也逐渐应用到说话人的识别中，并取得了不俗的成效。声纹识别首先涉及的是特征提取。现在用得比较多的特征提取是MFCC，一种倒谱参数，它的参数提取涉及了多层，不是在信号域提取特征，找到一些特征点和模板，而是要把它先变换到频谱域，再变换到倒谱域，经过三层的操作得出一个特征。

但是这个特征还不够，需要继续做模式识别，我们采用的模型，里面有对混合、高斯的分布进行描述，最后由通用背景和GMM的共同作用，对说话人进行刻画，最后进行身份认证。

若要安全地进行身份认证，对声纹的第一要求就是人证合一性。相比其他生物特征，声纹的性能比人们了解的要高。在几种生物特征里面，识别准确率依次为虹膜、声音、掌纹、指纹、指静脉、人脸。

第二个是不易伪造，声音有比较好的防攻击优势。语音都可以用软件手段来防攻击，首先利用语音的形简意丰的特点，要识别出“谁说了什么”。其次，如果攻击者把声音录下来，然后进行拼接，我们可以进行录音重放检测。另外，可以把人的因素加进去，“三分技术七分管理”，用户自定义的数字读音和动态密码组合，形成奇妙的不用记忆的“密码”，这也是最安全的密码。