Pengecaman muka telah menjadi tonggak utama sistem keselamatan semasa dalam pengesahan telefon pintar, perbankan dan pengawasan. Walau bagaimanapun, dengan peningkatan aplikasi pengecaman muka, kemungkinan serangan penipuan meningkat, yang mana penyamar menggunakan input biometrik tiruan untuk memintas sistem pengecaman muka. Teknologi anti-penipuan telah muncul sebagai ubat paling berkesan untuk masalah ini dengan memastikan bahawa hanya manusia hidup boleh melalui sistem selamat.
Kepentingan Anti-Spoofing Muka
Anti-spoofing muka merujuk kepada kaedah untuk mengesan dan menyekat percubaan untuk memperdaya sistem pengecaman visual supaya menerima foto, video atau topeng sebagai bukti identiti oleh aplikasi Android/Windows atau dalam permainan. Dengan penggunaan sistem pengecaman muka yang semakin meningkat untuk pengesahan identiti, kebenaran pembayaran dan keselamatan awam, ini menjadi semakin penting.
Membuka kunci telefon pintar atau log masuk ke aplikasi perbankan.
Membenarkan transaksi dengan selamat.
Pantau kawasan awam.
Walau bagaimanapun, dengan percambahan pengecaman muka, penjenayah telah memusatkan perhatian pada sistem tersebut. Ini menjadi risiko utama kerana penyerang boleh mengemukakan sampel biometrik palsu, yang dikenali sebagai serangan pembentangan, pada masa cuba menipu sistem. Kemungkinan kecurian identiti, penipuan kewangan atau membahayakan kawasan sensitif seperti penjagaan kesihatan atau kawalan sempadan mungkin berlaku.
Pengesanan liveness telah muncul sebagai penyelesaian utama kepada cabaran ini. Dengan mengesahkan bahawa input datang daripada orang langsung dan bukannya perwakilan statik atau prarakam, pengesanan liveness menambah lapisan keselamatan yang penting pada sistem pengecaman muka.
Memahami Serangan Persembahan
Serangan pembentangan melibatkan percubaan untuk menipu sistem biometrik menggunakan input palsu. Serangan ini mengeksploitasi kelemahan dalam sistem pengecaman muka tradisional, yang hanya menumpukan pada padanan ciri tanpa mengesahkan keaktifan.
Jenis Serangan Persembahan
Berikut ialah beberapa jenis serangan pembentangan yang paling biasa:
Ini melibatkan penggunaan foto resolusi tinggi seseorang untuk menipu sistem. Selalunya, cetakan ini berlamina atau bertekstur untuk menyerupai sifat kulit.
Di bawah kaedah ini, beberapa video atau imej digital prarakaman dipaparkan pada skrin untuk menyamar sebagai seseorang.
Serangan ini menggunakan topeng 3D yang diperbuat daripada bahan seperti silikon atau lateks untuk meniru kontur muka.
Beberapa contoh dunia nyata menunjukkan masalah yang ditimbulkan oleh serangan ini:
- Pada tahun 2023, penipu menggunakan gambar bercetak untuk memintas portal kebajikan yang tiada pengesan kedalaman untuk mengukur kehadiran seseorang.
- Dalam sistem perbankan, serangan ulang tayang telah melihat video prarakam semasa proses pengesahan identiti jauh.
- Serangan topeng menjadi agak canggih; Europol melaporkan peningkatan dalam pelanggaran sempadan menggunakan topeng hiper-realistik.
Apakah Pengesanan Liveness Wajah?
Pengesanan liveness ialah teknologi yang mengesahkan bahawa wajah yang dipersembahkan adalah milik individu yang hidup, bukan sumber yang dipalsukan. Ia membezakan antara pengguna sebenar dan input palsu dengan menganalisis ciri dinamik seperti gerakan atau tekstur.
Perbezaan Utama Antara Sistem Pengecaman Muka Tradisional dan Anti-spoofing
- Pengecaman muka tradisional berfungsi dengan ciri muka dan cuba memadankannya dengan templat yang disimpan.
- Sistem anti-penipuan menambah lapisan pengesahan tambahan untuk keaktifan menggunakan penunjuk fisiologi seperti berkelip dan teknik sifat bahan seperti tekstur.
Teknik Pengesanan Liveness
Sistem anti-penipuan moden berbeza antara satu sama lain dalam ciri yang mereka gunakan untuk membezakan muka langsung daripada perwakilan palsu:
Analisis Tekstur
Dalam kaedah ini, sifat permukaan muka didapati untuk menyemak ketidakkonsistenan yang menunjukkan bukti percubaan untuk menipu. Contohnya:
- Foto yang dicetak selalunya tidak mempunyai tekstur semula jadi kulit manusia.
- Skrin digital mungkin menunjukkan pikselasi atau kelancaran luar biasa.
Analisis Pergerakan
Kaedah-kaedah ini adalah tentang mengenal pasti pergerakan yang tidak disengajakan, seperti berkedip atau mencondongkan kepala minit. Pergerakan semula jadi sedemikian hampir tidak direplikasi dengan ketepatan imej statik.
Pengesanan Kedalaman
Dengan teknologi pengesan kedalaman, struktur 3D muka dipetakan menggunakan penderia inframerah atau cahaya berstruktur. Teknik ini dengan mudah boleh membezakan antara permukaan rata (seperti foto) dan muka sebenar dengan mendalam.
Analisis Temporal
Analisis sementara ialah analisis bingkai bersiri dalam video untuk mengenal pasti ketidakkonsistenan yang menunjukkan serangan ulangan dalam beberapa waktu. Contohnya, kelipan atau gelung skrin boleh menunjukkan penggunaan paparan digital semasa percubaan pengesahan.
Pendekatan Pembelajaran Mendalam
Model pembelajaran mendalam, yang boleh dilatih dalam set data yang besar, secara amnya mengklasifikasikan input dengan ketepatan tinggi sebagai sama ada tulen atau palsu. Contohnya: Rangkaian Neural Convolutional (CNN) menganalisis ciri rumit seperti tekstur kulit atau dinamik gerakan.
Cabaran Menghadapi Anti-Spoofing
Pembangunan sistem anti-penipuan yang lebih mantap terus menghadapi beberapa cabaran:
Kaedah pemalsuan berbeza-beza daripada imej rendah kepada berkualiti tinggi kepada deepfakes lanjutan.
Kebolehubahan persekitaran, seperti keadaan pencahayaan dan kualiti peranti, boleh menjejaskan prestasi sistem.
Disebabkan set data latihan yang tidak seimbang, sesetengah sistem awal cenderung mempunyai kadar ralat yang lebih tinggi pada kumpulan etnik tertentu.
Kerana kekangan etika dan logistik, jumlah data yang pelbagai dan berkualiti tinggi yang mencukupi tidak dapat dikumpulkan untuk melatih sistem AI.
Masa Depan Anti-Spoofing Wajah
Aliran yang muncul menunjukkan perkembangan menarik dalam teknologi anti-penipuan.
- Pendekatan Multimodal: Ini melibatkan gandingan biometrik yang berbeza, seperti muka dan suara, untuk memastikan keselamatan tambahan.
- Rangkaian Neural Lanjutan: Mendapatkan seni bina yang lebih baik untuk generalisasi yang lebih baik merentas demografi.
- Gabungan Biometrik: Mengintegrasikan pelbagai modaliti biometrik ke dalam sistem bersatu untuk pengesahan yang lebih dipercayai.
Dengan pengecaman muka dilaksanakan dalam perbankan, penjagaan kesihatan dan peranti pintar, permintaan untuk mekanisme anti-penipuan yang boleh dipercayai akan terus meningkat.
Bagaimana Pengumpulan Data Muka Menguasakan Model AI Anti-Spoofing
Data berkualiti tinggi adalah penting untuk membangunkan sistem anti-penipuan yang berkesan:
- Data hendaklah boleh digeneralisasikan ke seluruh dunia, meliputi kepelbagaian demografi dan keadaan persekitaran.
- Inilah sebabnya mengapa anotasi sangat penting dalam penciptaan set data berlabel yang membantu dalam membezakan input sebenar daripada input palsu.
Kajian kes Shaip menunjukkan amalan terbaik dalam pengumpulan data:
Satu kes kajian oleh Shaip mendedahkan kepentingan kaedah anti-penipuan yang teguh. Syarikat itu membangunkan set data 25,000 video dengan input sebenar dan palsu untuk melatih model AI untuk pengesanan kehidupan.
- Dataset telah dibangunkan dengan sumbangan 12,500 peserta merentasi lima kumpulan etnik.
- Pengetegan metadata memastikan keadaan pencahayaan dan jenis peranti diberi anotasi untuk setiap video.
- Penghantaran berperingkat membenarkan semakan kualiti dilakukan pada setiap peringkat sambil juga menangkap senario yang berbeza-beza.
Organisasi yang bekerjasama dengan kami boleh memudahkan pembangunan model AI dengan lebih pantas, memberikan ketepatan dan keteguhan yang tinggi kepada sistem anti-penipuan mereka.
