Die biometrische Sprechererkennung findet Anwendung in Smart-Home-Lösungen, interaktiven Sprachdialogsystemen, Call Centern, Online-Banking und mobilen Zahlungsverfahren sowie in in der forensischen Fallarbeit. Die vorliegende Dissertation konzentriert sich auf die biometrische Sprechererkennung bei unkontrollierbaren Einflussfaktoren. Vor dieser Dissertation war die Forschung zum Fällen besserer Entscheidungen bei unkontrollierbaren Einflussfaktoren unzureichend. Abgesehen von Betrachtungen zur Entscheidungsfindung beinhalten unkontrollierbare Einflussfaktoren zwei weitere Themenkomplexe: Sicherheit und Datenschutz. Im Rahmen dieser Dissertation werden beide Gebiete bezüglich der Sicherheit gegen Kurzzeit-Replay-Angriffe und der Wahrung von Privatsphäre im Hinblick auf mögliche Leaks biometrischer Daten betrachtet. Die oben genannten Forschungsthemen werden vereint, um einerseits das Treffen guter Entscheidungen trotz variierender Unsicherheit (aufgrund variabler Signalqualität) zu verbessern und andererseits die Sicherheit biometrischer Sprecherkennungssysteme zu härten. Die Privatsphäre wird gleichzeitig geschützt.

Normalerweise werden biometrische Mustererkenner trainiert, um zwischen gepaarten und nicht gepaarten Teilen biometrischer Referenzen und Proben unter idealen Bedingungen zu klassifizieren, aber es wird auch erwartet, dass diese Erkenner in der realen Welt gut funktionieren. Je mehr sich jedoch die Qualität von Sprachsignalen verschlechtert, desto häufiger werden Fehlentscheidungen getroffen. Dabei hängt die Folgenschwere der Fehlentscheidungen von den Anforderungen an eine biometrischen Anwendung ab. In dieser Arbeit werden Qualitätsschätzer vorgeschlagen und eingesetzt (quantitative Methode), um im Schnitt (innerhalb eines formalen Frameworks) bessere Entscheidungen zu treffen, während die Spezifikationen der Entscheidungsanforderungen einer biometrischen Anwendung beliebig, aber fest sind. Durch den Einsatz des Bayes'schen Entscheidungs-Frameworks wird die Spezifikation der anwendungsabhängigen Entscheidungsanforderungen formalisiert. Darauf basierend wird ein Schwellenwert abgeleitet, anhand dessen Entscheidungen automatisiert gefällt werden können. Die betrachteten Qualitätsbedingungen kombinieren Umgebungs- und biometrische Störsignale, die sowohl in kommerziellen als auch in forensischen Anwendungsszenarien auftreten können. Es wird die (zivile und staatliche) Dual-Use-Technologie untersucht. Mehrere Qualitätsbedingungen werden betrachtet, da es nicht möglich erscheint, für jede mögliche Signalverschlechterung ein Erkennungssystem zu trainieren. Die Auswirkungen aufgrund von Signalqualitätsverschlechterung auf die biometrische Merkmalsextraktion werden untersucht. Nach der Untersuchung wird diese Extraktion als ideal angesehen, um anschließend faire Benchmarks durchzuführen. Diese Dissertation schlägt Methoden zur Anwendung von Informationen über die Qualität in der (biometrischen) Entscheidungsfindung vor und untersucht diese. Durch die Verwendung von Qualitätsschätzern werden die Resultate eines biometrischen Systems (Vergleichswerte) normiert, um sicherzustellen, dass jeder Wert den geringsten-günstigsten Entscheidungskompromiss in seinem Wert kodiert. Die Anwendungsentwicklung wird von der Anforderungsspezifikation getrennt. Dies ist aufgrund des Bayes'schen Entscheidungs-Frameworks möglich: Risikoanalysen und maschinelles Lernen sprechen die gleiche Sprache, wenn Bayes Wahrscheinlichkeiten diskutiert werden. Dadurch werden sowohl die Klassenunterscheidung als auch die Kalibrierungsleistung über alle Entscheidungsanforderungen für reale Anwendungen verbessert.

Im Gegensatz zur Norm ISO/IEC 19795-1:2006 über die biometrische Performanzauswertung (Fehlerraten aus Beobachtungen) basiert diese Arbeit auf biometrischer Inferenz für probabilistische Entscheidungsfindung (in Anbetracht verschiedener a-priori-Wahrscheinlichkeiten und Kosten für verschiedene Fehlertypen). Diese Dissertation trägt zum Paradigmenwechsel von Anforderungen durch Fehlerraten zu Anforderungen durch Annahmen von Wahrscheinlichkeiten und Kosten bei. Binary Decision Error Trade-off (BET) Plots werden vorgeschlagen, die die Fehlerraten mit den Annahmen von Wahrscheinlichkeiten und Kosten in Beziehung setzen (in Bezug zu formalisierten Entscheidungsanforderungen). Verbale Annotationen werden eingeführt, um Kategorien von Entscheidungen minimalen Vorteils zusammenzufassen: Das Koordinaten-Design des BET-Plots folgt aus der Bayes'schen Entscheidungstheorie, sodass Entscheidungskompromisse formalisierter Annahmen auf den Achsen abgetragen werden. Empirische Fehlerraten werden grafisch dargestellt. Dies hat den Mehrwert, dass Kategorien von Entscheidungskompromissen in der Performanz-Darstellung eines Erkennungssystems mit verschiedenen Linienstilen abgetragen werden. Die Performanz wird nicht im beobachteten Raum, sondern im latenten Unterraum der biometrischen Klassifikation visualisiert. Dadurch können Veränderungen in den Entscheidungen bezüglich angenommener Wahrscheinlichkeiten und Kosten in exaktem Bezug zur empirisch evaluierten Performanz eines Erkennungssystems bewertet werden.

Die Sicherheit gegen Angriffe wird somit erhöht; konkret gegen Angriffe, in denen Audios in kurzen Zeitsegmenten aufgenommen und wieder abgespielt werden (eine Collage von Sound-Einheiten wie Phonemen und Silben). Der sogenannte Unit-Selection-Angriff wird auf den Daten der ASVspoof 2015 Challenge (englische Sprachdaten) untersucht, die den am schwersten zu erkennenden Angriff dieser Challenge darstellen. In dieser Arbeit werden Unit-Selection-Angriffe für deutsche Sprachdaten erstellt, bei denen Support Vector Machine und Gauß'sche Mischmodell-Klassifikatoren trainiert werden, um Collage-Kanten in Sprachdarstellungen aus Wavelet- und Fourier-Analysen zu erkennen. Im Vergleich zu den ASVspoof 2015 Teilnehmern werden vergleichbare Ergebnisse erzielt.

Zum Schutz der Privatsphäre biometrischer Informationen im Falle eines Datenbanklecks wird homomorphe Verschlüsselung vorgeschlagen. In dieser Dissertation werden sogenannte Log-Likelihood Ratio Scores berechnet, die die biometrische Beweislast im latenten biometrischen Unterraum objektiv darstellen. Herkömmliche Komparatoren verlassen sich darauf, dass die Merkmalsextraktion biometrische Informationen ideal darstellt (unter der Annahme von hoher Signalqualität). Für die biometrische Erkennung unter variierender Signalqualität hingegen sind genauere Methoden notwendig. Biometrische Mustererkenner werden trainiert, um Entscheidungen im latenten biometrischen Unterraum zu treffen, d.h. nur die biometrischen Informationen aus Sprachreferenzen und -proben werden miteinander verglichen (und keine anderen Faktoren haben darauf Einfluss). In dieser Dissertation werden zwei Protokolle für biometrische Komparatoren der sogenannten Probabilistischen Linearen Diskriminanz-Analyse (PLDA) vorgeschlagen, im konkreten Fall für das Zwei-Kovarianz Vergleichsmodell, einem PLDA Sonderfall. Die Vergleichswerte werden in Form von Log-Likelihood Ratios berechnet. Zum Datenschutz finden Berechnungen im verschlüsselten Raum, basierend auf verschlüsselten Darstellungen der biometrischen Referenz und Probe, statt. Dadurch werden die in den Sprachproben übermittelten biometrischen Informationen im Gegensatz zu vielen bestehenden Lösungen geschützt und ohne Informationsverlust gespeichert. Das erste Protokoll schützt die Privatsphäre der Endnutzer und erfordert ein Schlüsselpaar aus einem öffentlichen und einem privaten Schlüssel für jede biometrische Anwendung. Das letztgenannte Protokoll schützt die Privatsphäre von Endnutzern und Herstellern biometrischer Erkenner unter der Verwendung von zwei Schlüsselpaaren. Da die verwendeten biometrischen Erkenner die biometrische Beweislast in einem trainierten latenten Unterraum berechnen, stellt auch das Unterraummodell selbst sensitive Daten für einen Hersteller dar. Der Schutz dieser sensiblen Daten ist ein zweites Ziel, weshalb ein zweites Schlüsselpaar notwendig ist. Beide Protokolle, die Log-Likelihood-Ratio-basierte Entscheidungen fällen, erfüllen die Anforderungen des Standards zum Schutz biometrischer Informationen, ISO/IEC 24745:2011, besonders in Bezug auf Unverkettbarkeit, Irreversibilität und Erneuerbarkeit von abgespeicherten, geschützten biometrischen Daten.