Wykrywanie żywotności twarzy: jak to działa i dlaczego jest to ważne

Zespoły ds. oszustw wciąż zadają to samo pytanie po incydencie onboardingowym opartym na deepfake'u. Jak to możliwe, że twarz, która wyglądała realnie w systemie, okazała się niczyja?

Odpowiedź zazwyczaj sprowadza się do tego samego słabego ogniwa. kontrola biometryczna Potwierdzono obecność twarzy, ale nie to, że była ona żywa, przed kamerą, w tym momencie. Tę lukę ma wypełnić funkcja wykrywania żywotności twarzy, a ta luka szybko się powiększa.

Raport Centrum Zgłaszania Przestępstw Internetowych FBI z 2024 r. odnotowała rekordowe straty w wysokości 16.6 miliarda dolarów, a oszustwa wspomagane sztuczną inteligencją zostały uznane za rosnący wektor. Każdy stos tożsamości, który nie odpowiada na pytanie „czy ta osoba jest prawdziwa i obecna w tej chwili”, jest ujawniany.

Czym jest wykrywanie żywotności twarzy?

Detekcja żywotności twarzy to zestaw kontroli biometrycznych, które potwierdzają, że twarz ludzka przed kamerą należy do żywej, fizycznie obecnej osoby, a nie do zdjęcia, nagrania wideo, maski 3D ani syntetycznego strumienia wideo. Znajduje się ona pomiędzy przechwytywaniem twarzy a dopasowywaniem twarzy i jest najczęściej pomijaną warstwą w przypadku udanego oszustwa związanego z onboardingiem. Standardem odniesienia jest tutaj ISO / IEC 30107-3: 2023, który definiuje sposób testowania i raportowania wykrywania ataków prezentacyjnych w całej branży.

Istnieją dwa praktyczne tryby. Tryb „aktywnej żywotności” prosi użytkownika o mrugnięcie, odwrócenie się lub uśmiech, aby można było zmierzyć zmianę w strumieniu. W trybie pasywnym system analizuje pojedyncze selfie lub krótki film w tle, bez konieczności wykonywania gestów. Większość współczesnych systemów korzysta z obu trybów, a polityka ryzyka decyduje o tym, jak duże tarcie widzi użytkownik.

Powodem, dla którego ta warstwa przeszła z poziomu „fajnego do posiadania” do poziomu podstawowego, jest kształt zdalnego oszustwa. Samo dopasowanie twarzy odpowiada na wąskie pytanie. Czy to selfie pasuje do zdjęcia w dokumencie? Nie odpowiada jednak na pytanie, czy selfie pochodzi od prawdziwej osoby przed obiektywem, czy z nagrania wideo przesyłanego strumieniowo przez wirtualną kamerę. Żywotność to element, który zamyka to drugie pytanie, a bez niej dopasowanie twarzy to tylko połowa weryfikacji.

Na czym polega funkcja antyspoofingu w wykrywaniu żywotności twarzy?

Zapobieganie podszywaniu się to techniczna możliwość w ramach wykrywanie żywotności który identyfikuje i odrzuca fałszywe dane dotyczące twarzy, takie jak zdjęcia, powtórki, maski lub wstrzyknięte strumienie wideo, zanim będą mogły zostać uznane za dane prawdziwego użytkownika.

Jak odróżnić żywą twarz od parodii?

Aktywność, działanie użytkownika jako sygnał

Dzięki funkcji „aktywna żywość” użytkownik wykonuje niewielką czynność na ekranie. System szuka ruchu odpowiadającego reakcji prawdziwej osoby w czasie rzeczywistym. Mikroruchy twarzy, oczu i szczęki są trudne do sfingowania na wydrukowanym zdjęciu lub zatrzymanym filmie. Kompromisem jest tarcie. Użytkownicy korzystający z wolnych łączy lub w słabym oświetleniu mogą nie zareagować przy pierwszej próbie, a takie odrzucenie jest kosztowne.

Żywotność pasywna, sygnały tła

Pasywna żywotność wykonuje więcej pracy za kulisami. Analiza tekstury wyszukuje ziarnistości papieru, mory ekranowej i wzorów nadruku, które nie występują na prawdziwej skórze. Sygnały z dziedziny częstotliwości stanowią najsilniejszą ochronę przed powtórkami cyfrowymi, ponieważ artefakty kompresji z rekodowanego wideo pozostawiają ślad, którego nie tworzy transmisja na żywo z kamery. Rekonstrukcja głębi potwierdza następnie, że twarz ma rzeczywistą geometrię, a nie płaską powierzchnię skierowaną w stronę kamery.

Dobrze skonfigurowany przepływ łączy oba te elementy. Sugerują to również prace ewaluacyjne na szczeblu federalnym. Ocena technologii analizy twarzy NIST, część 10 raport dotyczący pasywnych algorytmów PAD opartych na oprogramowaniu wykazał, że żaden pojedynczy algorytm nie wykrył każdego typu ataku w całym zakresie atak prezentacyjny przetestowanych instrumentów, a ich wyniki znacznie różniły się w zależności od kategorii ataku.

Typy ataków, które Liveness musi pokonać

Praktycy oceniający stos biometryczny często zaczynają od niewłaściwego pytania. Pytają „jak dokładny jest”, podczas gdy użyteczne pytanie brzmi „jakie ataki faktycznie wykrywa”. Taksonomia dzieli się na dwie grupy.

Ataki prezentacyjne

Ataki prezentacyjne mają charakter fizyczny. Typowe przykłady to wydrukowane zdjęcie przyłożone do obiektywu, ekran laptopa wyświetlający nagrany wcześniej film oraz silikonowa maska ​​noszona podczas onboardingu. Norma ISO/IEC 30107 traktuje je jako powierzchnię bazową testu. Podstawowy model żywotności RGB 2D zazwyczaj rejestruje zdjęcie papierowe i odtwarzanie niskiej jakości, ale ma problemy z monitorami o wysokiej rozdzielczości, zakrzywionymi wydrukami i dobrze wykonanymi maskami 3D.

Wykrywanie żywotności w rozpoznawaniu twarzy: dlaczego nie może być opcjonalne

Detekcja żywotności w rozpoznawaniu twarzy niweluje lukę weryfikacyjną, której samo dopasowanie biometryczne nie jest w stanie wypełnić. System rozpoznawania twarzy ma odpowiedzieć na jedno pytanie: czy te dwie twarze należą do tej samej osoby? Nie określa on, czy twarz przedstawiona kamerze była prawdziwa, żywa i fizycznie obecna w momencie uchwycenia. To drugie pytanie jest odpowiedzią na detekcję żywotności, która musi zostać wykonana przed etapem rozpoznawania, a nie po nim. Bez tej sekwencji wynik dopasowania twarzy opiera się na niezweryfikowanych danych wejściowych.

Praktyczne konsekwencje pomijania „żywotności” w strumieniu danych stają się oczywiste w scenariuszach oszustw. Atakujący, który przedstawi systemowi rozpoznawania bez bramki „żywotności” wysokiej jakości zdjęcie, odtworzenie ekranu lub strumień wstrzyknięty metodą deepfake, wygeneruje dopasowanie biometryczne, ponieważ porównanie dotyczy dwóch obrazów, a nie obrazu z żywą osobą. Algorytm dopasowujący nie posiada mechanizmu wykrywającego, że dane wejściowe zostały sfałszowane. Wykrywanie „żywotności” w rozpoznawaniu twarzy to mechanizm, który sprawia, że ​​cały łańcuch danych biometrycznych jest wiarygodny.

W regulowanej weryfikacji tożsamości nie jest to już preferencja architektoniczna, lecz wymóg zgodności. eIDAS 2.0 określa, że ​​zdalna weryfikacja tożsamości o wysokim poziomie bezpieczeństwa musi obejmować wykrywanie ataków prezentacyjnych. Wytyczne FATF dotyczące zdalnego wdrażania KYC traktują żywotność jako warunek wstępny, aby jakakolwiek biometryczna weryfikacja tożsamości miała moc prawną. Wyniki DHS Biometric Technology Rally konsekwentnie pokazują, że systemy bez skutecznych mechanizmów kontroli żywotności zawodzą z częstotliwością nieakceptowalną komercyjnie i prawnie. Wykrywanie żywotności w rozpoznawaniu twarzy nie jest udoskonaleniem stosu; to warstwa, która zapewnia jego ważność.

W jaki sposób wykrywanie żywych twarzy zapobiega podrabianiu zdjęć?

Analiza tekstury pozwala wykryć słoje papieru i wzory nadruku nieobecne na prawdziwej skórze, natomiast rekonstrukcja głębi potwierdza obecność trójwymiarowej twarzy, a nie płaskiej, zadrukowanej powierzchni.

Ataki wstrzyknięciami i syntetyczne

Ataki typu „injection” całkowicie pomijają kamerę. Oszuści przesyłają wstępnie wygenerowany strumień wideo, często deepfake, bezpośrednio do bufora kamery urządzenia za pośrednictwem wirtualnego sterownika kamery. System widzi coś, co wygląda na normalny obraz, ale nigdy nie widać na nim prawdziwej twarzy. Laboratorium Innowacji Europolu uznał tworzenie deepfake'ów za nowe, podstawowe narzędzie zorganizowanej przestępczości. Tożsamość syntetyczna najszybciej rozwijającą się odmianą jest montaż, w którym łączone są skradzione dane, wygenerowana twarz i sfałszowany dokument.

Problem obronny polega na tym, że dobry atak typu injection nigdy nie dotyka fizycznej powierzchni. Sygnały tekstury znikają. Geometria głębi może być symulowana. Artefakty w domenie częstotliwości stają się najsilniejszym pozostałym sygnałem, wraz z danymi telemetrycznymi urządzenia i sesji, które ujawniają, czy strumień kamery jest zgodny z tym, co powinien generować sprzęt. Stosy zbudowane wyłącznie na 2D RGB zostały przeszkolone pod kątem problemu, który już został rozwiązany.

Detekcja żywotności twarzy 3D: czym różni się od standardowych kontroli żywotności

Detekcja żywotności twarzy 3D to metoda potwierdzania obecności na żywo za pomocą czujników głębi, projektorów światła strukturalnego lub kamer czasu przelotu (time-of-flight) w celu rekonstrukcji fizycznej geometrii ludzkiej twarzy. Ponieważ system mierzy rzeczywistą trójwymiarową głębię, może on skuteczniej odrzucać ataki z wykorzystaniem płaskich prezentacji, wydrukowanych zdjęć, powtórek ekranowych i masek papierowych niż algorytmy 2D oparte wyłącznie na sygnałach z poziomu obrazu. Geometrii prawdziwej twarzy po prostu nie da się odtworzyć za pomocą płaskiej powierzchni przyłożonej do kamery.

Różnica między trójwymiarową detekcją żywotności twarzy a jej dwuwymiarowym odpowiednikiem staje się szczególnie istotna podczas oceny przypadków użycia o wysokim poziomie bezpieczeństwa. Środowiska kontrolowane sprzętowo, wydawanie dokumentów tożsamości, systemy kontroli granicznej czy otwieranie rachunków finansowych o dużej wartości korzystają z fizycznej pewności, jaką zapewnia trójwymiarowe mapowanie głębi. W tych kontekstach dodatkowe wymagania sprzętowe są akceptowalne, ponieważ stawka za udane oszustwo jest wysoka.

W większości komercyjnych wdrożeń KYC i zdalnego onboardingu, dominującym podejściem stała się jednak pasywna, dwuwymiarowa (2D) analiza żywotności twarzy oparta na sztucznej inteligencji. Osiąga ona porównywalną lub lepszą wydajność w przypadku nowoczesnych ataków typu injection i deepfake bez konieczności stosowania specjalistycznych czujników i działa na standardowych kamerach już zainstalowanych w urządzeniach użytkowników. Właściwy wybór między detekcją żywotności twarzy 3D a pasywną detekcją 2D zależy wyłącznie od modelu zagrożenia, a coraz częściej najbardziej zaawansowane zagrożenia opierają się na iniekcji, a nie na fizycznych, czego nie rozwiązuje sam sprzęt 3D. Niezależnie od tego, czy detekcja żywotności twarzy jest realizowana za pomocą sztucznej inteligencji 2D, czy sprzętu 3D, cel jest ten sam: odrzucenie wszelkich danych wejściowych, które nie pochodzą od prawdziwej, obecnej osoby.

Jakie są najnowsze wektory ataków na wykrywanie żywotności twarzy?

Najszybciej rozprzestrzeniającymi się zagrożeniami są: ataki wstrzykiwania deepfake za pośrednictwem sterowników kamer wirtualnych i oszustw związanych z syntetyczną tożsamością, łączących twarze generowane przez sztuczną inteligencję z fałszywymi dokumentami. Oba te rozwiązania całkowicie omijają fizyczną prezentację i wymagają zabezpieczeń na poziomie częstotliwości i sesji.

Wiarygodny stos żywotności jest testowany na wszystkich z nich, nie tylko na tych tanich.

Jak ocenić wykrywanie żywotności twarzy podczas zdalnego wdrażania?

regulowany zdalna weryfikacja tożsamości To właśnie tam żywotność musi się utrzymać i to właśnie tam widać większość skrótów. Poniższe wzorce odróżniają wdrożenia niezawodne od tych z polami wyboru.

Niezależne wskaźniki porównawcze mają znaczenie

Wyniki testów wewnętrznych nie wystarczą. Dwa zewnętrzne programy, które warto śledzić, to ewaluacje NIST FATE PAD, które oceniają algorytmy w ramach kontrolowanego protokołu, oraz amerykański Zgromadzenie Departamentu Bezpieczeństwa Krajowego w sprawie technologii biometrycznej, który obciąża całe stosy weryfikacji tożsamości przed realistycznymi kombinacjami ataków. Opublikowane wyniki rajdu pokazały, że znaczna część przetestowanych systemów nie osiąga co najmniej jednego celu. Jeśli dostawca nie powołuje się na dane z niezależnej ewaluacji, to milczenie jest dowodem.

Gdzie zespoły popełniają błędy?

W analizach poincydentalnych ciągle pojawiają się trzy błędy. Pierwszy z nich traktuje żywotność jako pojedynczy przełącznik, a nie zasadę, bez możliwości rozwiązania problemu w niejednoznacznych przypadkach. Zespoły zazwyczaj polegają również na jednym typie sygnału, zazwyczaj 2D RGB, który nie reaguje na sygnały z dziedziny częstotliwości.

 Ostatnim błędem jest uruchamianie weryfikacji biometrycznej tylko podczas otwierania konta, przez co operacje o dużej wartości, takie jak duże wypłaty czy zmiany beneficjenta, nigdy nie są ponownie sprawdzane. Dojrzałe programy uruchamiają weryfikację biometryczną podczas rejestracji i ponownie wykorzystują szablon biometryczny do weryfikacji w ryzykownych momentach.

Ważny jest tu jeszcze jeden wzorzec. Dostępność i wydajność demograficzna wpływają na użyteczność programu Liveness na dużą skalę. System, który częściej zawodzi w przypadku użytkowników o ciemniejszej karnacji, starszych użytkowników lub użytkowników noszących okulary, albo przekieruje tych użytkowników na kanał ręczny, albo całkowicie ich utraci. Niezależne oceny, a nie wewnętrzne wyniki badań laboratoryjnych, pozwalają to sprawdzić. Sprawiedliwość demograficzna i wskaźniki fałszywych odrzuceń należą do tej samej kategorii, co skuteczność wykrywania fałszywych odrzuceń.

Praktyczne kolejne kroki w ramach Twojej oceny

Jeśli ostatnia twarz Chociaż recenzja weryfikacji została napisana ponad 18 miesięcy temu, model zagrożenia uległ zmianie. Krótkie, praktyczne ćwiczenie pomaga zweryfikować obecny stos. Zacznij od próbki red-team, która zasila stos wydrukowanym zdjęciem, powtórką z ekranu, prostym klipem deepfake oraz, jeśli istnieją możliwości testowania, próbą wstrzyknięcia za pomocą wirtualnej kamery.

CPorównaj wskaźniki zdawalności z kategoriami ataków ISO/IEC 30107-3, a nie z twierdzeniami marketingowymi dostawców. Wskaźniki fałszywych odrzuceń w przypadku legalnych rejestracji również mają znaczenie, zwłaszcza w okularach, z brodą i przy słabym oświetleniu, ponieważ odrzucenia niszczą przychody i skłaniają użytkowników do porzucania legalnych rejestracji.

Następnie dopasuj dowody do dokumentacji dostawcy. Wiarygodny dostawca publikuje Poziomy testu PAD Zgodny z normą ISO/IEC 30107-3, przesyła algorytmy do NIST FATE lub do DHS i oferuje wdrożenie lokalne w środowiskach regulowanych, które nie mogą przesyłać danych biometrycznych do stron trzecich. Jasne, weryfikowalne odpowiedzi są tu o wiele ważniejsze niż jakakolwiek pojedyncza wartość precyzji.

Zrób kolejny krok w ocenie żywotności

Zdalne wdrażanie nie jest w stanie sprostać obecnej generacji ataków typu prezentacja i wstrzykiwanie, gdy całą pracę wykonuje pojedynczy, starszy sygnał żywotności. Weryfikacja twarzy Shufti łączy w sobie aktywną i pasywną żywotność, wykrywanie artefaktów w domenie częstotliwości i przesiewanie ataków wstrzykiwania na ponad 56 wektorach antyspoofingowych, niezależnie zweryfikowanych na poziomie 1 i 2 i DHS RIVR 2025. Poproś o prezentację aby przetestować aktualny stos na rzeczywistej próbce ataku i zobaczyć, gdzie są luki.