זיהוי פנים הפך לעמוד מרכזי במערכות האבטחה הנוכחיות באימות סמארטפון, בנקאות ומעקב. עם זאת, עם היישום הגובר של זיהוי פנים, הסבירות להתקפות זיוף עולה, לפיה מתחזים משתמשים בקלט ביומטרי מלאכותי כדי לעקוף מערכות זיהוי פנים. טכנולוגיות נגד זיוף התגלו כתרופה היעילה ביותר לבעיה זו על ידי הבטחת שרק אדם חי יכול לעבור דרך המערכת המאובטחת.
החשיבות של אנטי זיוף פנים
אנטי זיוף פנים מתייחס לשיטות לזיהוי וחסימת ניסיונות לפתות מערכות זיהוי חזותי לקבלת תמונות, סרטונים או מסכות כראיה לזהויות על ידי יישומי אנדרואיד/חלונות או במשחקים. עם הגדלת השימוש המהיר במערכות זיהוי פנים לאימות זהות, אישור תשלום ובטיחות הציבור, הדבר נהיה חשוב יותר ויותר.
פתיחת סמארטפונים או כניסה לאפליקציות בנקאות.
אישור עסקאות בצורה מאובטחת.
מעקב אחר שטחים ציבוריים.
עם זאת, עם התפשטות זיהוי הפנים, פושעים התחברו למערכות אלו. זה הופך לסיכון גדול מכיוון שתוקפים יכולים להציג דגימות ביומטריות כוזבות, המכונה התקפות מצגות, בזמן הניסיון להונות את המערכת. האפשרויות של גניבת זהות, הונאות כספיות או סכנה של אזורים רגישים כמו שירותי בריאות או ביקורת גבולות עשויות להופיע.
זיהוי חיים התגלה כפתרון מפתח לאתגרים אלה. על ידי אימות שהקלט מגיע מאדם חי ולא מייצוג סטטי או מוקלט מראש, זיהוי חיוניות מוסיף רובד חיוני של אבטחה למערכות זיהוי פנים.
הבנת התקפות מצגת
התקפות מצגות כוללות ניסיונות להונות מערכות ביומטריות באמצעות קלט מזויף. התקפות אלו מנצלות נקודות תורפה במערכות זיהוי פנים מסורתיות, המתמקדות אך ורק בהתאמת תכונות מבלי לאמת את מידת החיים.
סוגי התקפות מצגת
להלן כמה מהסוגים הנפוצים ביותר של התקפות מצגות:
אלה כוללים שימוש בתמונות ברזולוציה גבוהה של אדם כדי לשטות במערכת. לעתים קרובות, הדפסים אלה הם בעלי למינציה או מרקם כדי להידמות לתכונות העור.
בשיטה זו, חלק מהסרטונים המוקלטים מראש או תמונות דיגיטליות מוצגות על המסכים כדי להתחזות למישהו.
התקפות אלו משתמשות במסכות תלת מימד העשויות מחומרים כמו סיליקון או לטקס כדי לשכפל את קווי המתאר של הפנים.
כמה דוגמאות מהעולם האמיתי מדגימות את הבעיות שמציבות התקפות אלו:
- בשנת 2023, רמאים השתמשו בתצלומים מודפסים כדי לעקוף פורטלי רווחה שבהם לא הייתה חישת עומק למדידת נוכחות של אדם.
- במערכות בנקאיות, התקפות שידור חוזר ראו וידאו מוקלט מראש במהלך תהליכי אימות זהות מרחוק.
- התקפות מסכות הופכות מתוחכמות למדי; היורופול דיווח על עלייה בפריצות הגבול באמצעות מסכות היפר-ריאליסטיות.
מהו זיהוי חיים של פנים?
זיהוי חיים הוא טכנולוגיה שמאמתת שפנים שהוצגו שייכים לאדם חי, ולא למקור מזויף. הוא מבחין בין משתמשים אמיתיים לתשומות מזויפות על ידי ניתוח מאפיינים דינמיים כמו תנועה או מרקם.
ההבדלים העיקריים בין זיהוי פנים מסורתי למערכות נגד זיוף
- זיהוי פנים מסורתי עובד עם תווי פנים ומנסה להתאים אותם לתבניות מאוחסנות.
- מערכות נגד זיוף מוסיפות שכבה נוספת של אימות לחיות באמצעות אינדיקטורים פיזיולוגיים כמו הבהוב וטכניקות תכונות חומר כגון מרקם.
טכניקות זיהוי חיים
מערכות מודרניות נגד זיוף נבדלות זו מזו במאפיינים שבהם הן משתמשות כדי להבחין בין פרצופים חיים לבין הייצוג המזויף:
ניתוח מרקם
בשיטה זו, מאפייני פני השטח של הפנים בודקים חוסר עקביות המראה עדות לניסיונות זיוף. לְדוּגמָה:
- תמונות מודפסות חסרות לעתים קרובות את המרקם הטבעי של עור האדם.
- מסכים דיגיטליים עשויים להראות פיקסלים או חלקות לא טבעית.
ניתוח תנועה
שיטות אלו עוסקות בזיהוי תנועות לא רצוניות, כמו מצמוץ או הטיית ראש דקות. תנועות טבעיות כאלה כמעט ולא משוכפלות בדיוק של תמונות סטטיות.
זיהוי עומק
עם טכנולוגיית חישת עומק, מבנה התלת מימד של הפנים ממופה באמצעות חיישני אינפרא אדום או אור מובנה. טכניקה זו יכולה להבחין בקלות בין משטחים שטוחים (כמו תמונות) לבין פרצופים בפועל עם עומק.
ניתוח זמני
ניתוח זמני הוא ניתוח של פריימים סדרתיים בווידאו כדי לזהות חוסר עקביות המעיד על התקפות שידור חוזר לאורך זמן. לדוגמה, הבהוב או לולאות של מסכים יכולים להצביע על שימוש בצגים דיגיטליים במהלך ניסיונות אימות.
גישות למידה עמוקה
מודלים של למידה עמוקה, שניתן לאמן באמצעות מערכי נתונים גדולים, בדרך כלל מסווגים תשומות בדיוק גבוה כמקוריות או מזויפות. לדוגמא: רשתות עצביות קונבולוציוניות (CNN) מנתחות תכונות מורכבות כמו מרקם העור או דינמיקה של תנועה.
אתגרים של אנטי זיוף פנים
הפיתוח של מערכות אנטי זיוף חזקות יותר ממשיך להתמודד עם מספר אתגרים:
שיטות זיוף משתנות מתמונות נמוכה לאיכות גבוהה ועד לזיופים עמוקים מתקדמים.
שונות סביבתית, כגון תנאי תאורה ואיכות המכשיר, יכולה להשפיע על ביצועי המערכת.
בגלל מערכי אימון לא מאוזנים, חלק מהמערכות המוקדמות נטו להיות בעלי שיעורי שגיאה גבוהים יותר בקבוצות אתניות מסוימות.
בגלל אילוצים אתיים ולוגיסטיים, לא ניתן לאסוף כמויות נאותות של נתונים מגוונים ואיכותיים לאימון מערכות בינה מלאכותית.
Future of Face Anti-spoofing
המגמות המתפתחות מצביעות על התפתחויות מרגשות בטכנולוגיות נגד זיוף.
- גישות מולטי-מודאליות: זה כולל זיווג ביומטרי שונים, כגון הפנים והקול, כדי להבטיח אבטחה נוספת.
- רשתות עצביות מתקדמות: השגת ארכיטקטורות טובות יותר להכללה טובה יותר על פני הדמוגרפיה.
- היתוך ביומטרי: שילוב אופנים ביומטריים שונים במערכות מאוחדות לאימות אמין יותר.
עם יישום זיהוי פנים בבנקאות, בריאות ומכשירים חכמים, הביקוש למנגנוני אנטי זיוף אמינים ימשיך לעלות.
כיצד איסוף נתוני פנים מניע דגמי AI נגד זיוף
נתונים באיכות גבוהה חיוניים לפיתוח מערכות יעילות נגד זיוף:
- הנתונים צריכים להיות ניתנים להכללה לשאר העולם, ולכסות מגוון דמוגרפיה ותנאים סביבתיים.
- זו הסיבה שהביאור כה חשוב ביצירת מערכי נתונים מסומנים המסייעים בהבחנה בין קלט אמיתי לזיוף.
מחקר המקרה של שייפ מראה את השיטות המומלצות באיסוף נתונים:
מקרה אחד מחקר של שייפ חושף את החשיבות של שיטות אנטי זיוף חזקות. החברה פיתחה מערך נתונים של 25,000 סרטונים עם תשומות אמיתיות ומזויפות כדי להכשיר מודלים של AI לזיהוי חיים.
- מערך הנתונים פותח עם תרומות של 12,500 משתתפים בחמש קבוצות אתניות.
- תיוג המטא-נתונים הבטיח שתנאי תאורה וסוגי מכשירים צוינו עבור כל סרטון.
- האספקה השלבית אפשרה לבצע בדיקות איכות בכל שלב תוך לכידת תרחישים משתנים.
ארגונים המשתפים פעולה איתנו יכולים להקל על פיתוח מודלים של AI מהר יותר, ולספק דיוק גבוה וחוסן למערכות האנטי-זיוף שלהם.
