- Generativne adversarne mreže (GAN) omogućavaju stvaranje hiperrealističnih sintetičkih identiteta koji zaobilaze tradicionalnu biometriju.
- Najrobustnija odbrana leži u orkestraciji signala i slojevitom otkrivanju prilikom snimanja, tranzita i poređenja.
- Nezavisni certifikati poput iBeta Level 3 i propisi poput Zakona EU o umjetnoj inteligenciji ključni su za validaciju sigurnosti.
Ušli smo u fazu u kojoj je krađa identiteta napravila dramatičan skok naprijed. Više ne govorimo o jednostavnim fotokopijama ili gumenim maskama, već o sintetičkim medijima generiranim umjetnom inteligencijom, sposobnim da prevare čak i najsofisticiranije sisteme. Napadači sada koriste deepfakeove i koordinirane napade injekcijom koji sigurnosne metode od prije samo nekoliko godina čine dječjom igrom.
Najveća ranjivost za većinu kompanija je uvjerenje da je jedna barijera dovoljna. Međutim, podaci nam govore da se preko 70% naprednih pokušaja prevare zaustavlja tek kada se uspostavi više slojeva verifikacije . Ne radi se samo o tome da li je prijetnja stvarna - što itekako jeste - već o tome kako izgraditi zaista efikasan odbrambeni zid bez frustriranja legitimnih korisnika.
Problem s oslanjanjem isključivo na živost
Dugo vremena, test aktivne živosti - onaj koji vas traži da trepnete ili okrenete glavu - bio je zvijezda. Ali naravno, deepfakeovi su evoluirali i sada mogu oponašati mikroekspresije lica i reagovati u stvarnom vremenu na sistemske upute. Problem je što ovi alati daju prioritet responzivnosti, ali ne nužno i pravoj autentičnosti videa.
Nadalje, traženje od kupca da izvodi akrobacije pred kamerom stvara ogromnu napetost. U nekim slučajevima, napuštanje korisnika dostiže 40%, dok prelazak na pasivno otkrivanje aktivnosti (jednostavan selfie) povećava stopu završetka na preko 95%. Trik je u tome da obezbjeđenje radi u pozadini bez uznemiravanja korisnika.
¿Qué son exactamente los Deepfakes y cómo se fabrican?
U suštini, to su audio, slikovne ili video datoteke manipulisane korištenjem dubokog učenja kako bi izgledale autentično. Ključna tehnologija ovdje su generativne adverzijske mreže (GAN), gdje se dvije neuronske mreže takmiče: jedna stvara laž, a druga pokušava da je otkrije, prisiljavajući generator da usavršava laž dok je gotovo ne bude moguće razlikovati od stvarnosti.
Postoje dvije glavne grane: Deepfaces , koji zamjenjuju lica ili kreiraju potpuno nove ljude, i Deepvoices , koji kloniraju nečiji glas. Potonji je posebno opasan u korporativnom okruženju, gdje je bilo slučajeva rukovodilaca koji su prebacivali hiljade dolara nakon što su vjerovali da razgovaraju sa svojim izvršnim direktorom.
Strategija slojevite detekcije
Ako koristite samo deepfake detektor, imate sigurnosnu rupu. Algoritam može biti briljantan u otkrivanju umjetnih tekstura kože, ali slijep na napad ubrizgavanjem predloška . Stoga je rješenje implementacija troslojne arhitekture:
- Detekcija prilikom snimanja: Analizira da li je prisutna stvarna osoba i detektuje artefakte umjetne inteligencije u tačnom trenutku snimanja.
- Detekcija saobraćaja: Osigurava da video nije presretnut ili izmijenjen između korisnikovog mobilnog uređaja i servera, sprječavajući njegovo ubrizgati sintetički sadržaj u API-ju.
- Detekcija u poređenju: Uporedite predstavljeni identitet sa poznatim obrascima prevare i analizirajte da li je ponašanje korisnika sumnjivo.
Ovaj pristup omogućava prevarantu koji uspije zaobići dokaz života da upadne u zamku integriteta kanala ili analizu ponašanja. To je mreža u kojoj svaka mreža služi različitoj funkciji.
Sintetički identiteti i finansijski sektor
U svijetu fintech-a i bankarstva, rizik je ekstreman. Kriminalci više ne kradu samo identitete; oni stvaraju sintetičke identitete . To uključuje miješanje stvarnih, procurjelih podataka (kao što je važeći identifikacijski dokument) s izmišljenim informacijama i licem generiranim umjetnom inteligencijom. Rezultat je profil koji izgleda legitimno i omogućava otvaranje računa ili podnošenje zahtjeva za kredite bez izazivanja sumnje.
Da bi se suprotstavio ovome, sistem prelazi sa izolovane verifikacije na orkestrirane signale . Više nije dovoljno da se lice podudara s dokumentom; sada se analiziraju geolokacija, otisak prsta uređaja i brzina kucanja. Ako su biometrijski podaci savršeni, ali se sumnja da je uređaj emulator , sistem aktivira upozorenje.
Standardi, propisi i certifikati
Nisu svi alati jednaki. U profesionalnom sektoru, iBeta Level 3 certifikacija je zlatni standard, jer potvrđuje otpornost na napade injektiranjem u kontroliranim okruženjima. Nadalje, Zakon EU o umjetnoj inteligenciji će početi zahtijevati da sav sadržaj generiran umjetnom inteligencijom bude jasno označen , pod kaznom visokih novčanih kazni.
Neophodno je da kompanije traže rješenja koja su u skladu sa ISO/IEC 30107 i omogućavaju obradu podataka na samom uređaju. Ovo ne samo da poboljšava sigurnost, već i osigurava usklađenost sa GDPR-om sprečavanjem putovanja sirovih biometrijskih podataka preko mreže, čime se smanjuje površina za napad.
Praktični savjeti za otkrivanje neovlaštenih pristupa
Iako umjetna inteligencija postaje sve sofisticiranija, i dalje postoje tragovi koji nas mogu spasiti. Obratite pažnju na nedosljedno treptanje , jer se algoritmi muče s oponašanjem prirodnih ljudskih obrazaca treptanja. Također je ključno promatrati rubove lica i unutrašnjost usta ; zubi i jezik su često područja gdje umjetna inteligencija pravi vidljive greške.
Još jedan detalj koji treba uzeti u obzir je sinhronizacija usana i zvuk. Zvuk često ne odgovara savršeno pokretima usana. Ako imate bilo kakvih nedoumica, najbolje je usporiti video kako biste potražili nagle skokove na slici ili čudne promjene u pozadini koje bi mogle otkriti manipulaciju.
Digitalna sigurnost danas zahtijeva stalnu budnost i usvajanje sistema koji se ne oslanjaju samo na jedan faktor. Kombinacija napredne biometrije, analize ponašanja i rigorozne usklađenosti s propisima jedini je način da se obuzda napredak sintetičkih metoda i zaštiti integritet transakcija u svijetu u kojem vidjeti više ne znači vjerovati.
