Active Liveness Detection przeciwko deepfake

Aktywne wykrywanie żywotności: ochrona przed deepfake w weryfikacji wideo

Współczesne modele generatywne tworzą realistyczne fałszywe selfie i dokumenty, które przechodzą standardowe porównanie twarzy. Podrobione obrazy wysokiej jakości omijają podstawowe testy żywotności, co skutkuje skutecznymi atakami na systemy weryfikacji. Aby temu przeciwdziałać, wdraża się aktywne wykrywanie żywotności oparte na wideo z dynamicznymi poleceniami.

Metoda wymaga od użytkownika wykonania sekwencji losowych ruchów głową: w górę, w dół, w lewo, w prawo. W pozycji centralnej dodawane jest polecenie mrugnięcia. Każda czynność jest rejestrowana w wyznaczonym czasie, potwierdzając obecność prawdziwej osoby przed kamerą.

W trakcie procesu zapisywana jest klatka z otwartymi oczami w prawidłowej pozycji. Służy ona do porównania twarzy z dokumentem, co gwarantuje wysoką jakość weryfikacji bez konieczności ponawiania prób.

Implementacja na smartfonie

Proces jest zintegrowany z aplikacją mobilną: użytkownik skanuje kod QR, aby uzyskać dostęp do kamery. Urządzenie jednocześnie skanuje dokument i przeprowadza weryfikację wideo w jednym strumieniu.

Losowa kolejność poleceń uniemożliwia użycie wcześniej nagranego materiału. System analizuje sekwencję ruchów, głębię oraz teksturę twarzy, skutecznie odróżniając nagranie na żywo od deepfake.

Wyższe wymagania dotyczące porównywania twarzy realizuje się poprzez trenowanie dedykowanego modelu. Minimalne metryki to: AUC ROC ≥ 0,9966 oraz Accuracy ≥ 0,9808. Model szkolony jest na aktualnych danych przy rygorystycznej kontroli jakości.

Dodatkowe opcje weryfikacji

• Weryfikacja z bazami danych służb mundurowych oraz innymi rejestrami.
• Możliwość wyboru poziomu rygorystyczności kontroli.
• Integracja z istniejącymi systemami KYC/AML.

Powyższe opcje umożliwiają dostosowanie procesu do konkretnych scenariuszy, minimalizując liczbę fałszywych alarmów.

Rozwiązanie skraca czas weryfikacji: pierwsza próba kończy się sukcesem dzięki optymalnemu ustawieniu i oświetleniu. Eliminuje to statyczne oszustwa, w tym generowane przez sztuczną inteligencję twarze i dokumenty.

Metryki i skuteczność

Wytrenowany model wykazuje stabilne wyniki na zestawach testowych zawierających deepfake:

| Metryka | Wartość |

|------------|------------|

| AUC ROC | 0,9966 |

| Accuracy | 0,9808 |

Dane zebrano na różnych urządzeniach i w zmiennych warunkach oświetleniowych. System jest odporny na ataki z wykorzystaniem modeli GAN oraz edytorów wideo.

Kluczowe informacje

• Aktywne wykrywanie żywotności wykorzystuje losowe polecenia ruchowe, aby wykluczyć użycie wcześniej nagranych materiałów.
• Zapis klatki w optymalnej pozycji upraszcza porównanie twarzy i zwiększa dokładność weryfikacji.
• Dedykowany model osiąga AUC ROC na poziomie 0,9966 przy dokładności 0,9808.
• Integracja odbywa się za pomocą kodu QR na smartfonie, bez konieczności instalowania dodatkowego oprogramowania.
• Opcje weryfikacji z bazami danych zwiększają poziom bezpieczeństwa.

Rozwiązanie zostało zatwierdzone przez klientów o wysokich wymaganiach dotyczących ochrony przed oszustwami. Można je wdrożyć w systemach produkcyjnych bez istotnych modyfikacji API.

— Editorial Team