- Generativne suparničke mreže (GAN) omogućuju stvaranje hiperrealističnih sintetičkih identiteta koji zaobilaze tradicionalnu biometriju.
- Najrobustnija obrana leži u orkestraciji signala i slojevitom otkrivanju u snimanju, prijenosu i usporedbi.
- Neovisni certifikati poput iBeta razine 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 prevariti čak i najsofisticiranije sustave. Napadači sada koriste deepfakeove i koordinirane napade injekcijom koji sigurnosne metode od prije samo nekoliko godina čine dječjom igrom.
Najveća ranjivost većine tvrtki je uvjerenje da je jedna prepreka dovoljna. Međutim, podaci nam govore da se preko 70% naprednih pokušaja prijevare zaustavlja tek kada su na snazi više slojeva provjere . Ne radi se samo o tome je li prijetnja stvarna - što itekako jest - već o tome kako izgraditi uistinu učinkovit obrambeni zid bez frustriranja legitimnih korisnika.
Problem s oslanjanjem isključivo na živost
Dugo je vremena test aktivne živosti - onaj koji vas traži da trepnete ili okrenete glavu - bio zvijezda. No, naravno, deepfakeovi su evoluirali i sada mogu oponašati mikroekspresije lica i reagirati u stvarnom vremenu na upute sustava. Problem je u tome što ti alati daju prioritet responzivnosti, ali ne nužno i pravoj autentičnosti videa.
Nadalje, traženje od korisnika da izvodi akrobacije pred kamerom stvara ogromno trenje. U nekim slučajevima, napuštanje korisnika doseže 40%, dok prelazak na pasivno otkrivanje aktivnosti (jednostavan selfie) povećava stopu dovršetka na preko 95%. Trik je u tome da sigurnost radi u pozadini bez ometanja korisnika.
¿Qué son exactamente los Deepfakes y cómo se fabrican?
U osnovi, to su audio, slikovne ili video datoteke manipulirane dubokim učenjem kako bi izgledale autentično. Ključna tehnologija ovdje su generativne suparničke mreže (GAN), gdje se dvije neuronske mreže natječu: jedna stvara laž, a druga je pokušava otkriti, prisiljavajući generator da usavršava laž dok je gotovo ne bude moguće razlikovati od stvarnosti.
Postoje dvije glavne grane: Deepfaces , koji zamjenjuju lica ili stvaraju potpuno nove ljude, i Deepvoices , koji kloniraju nečiji glas. Potonji je posebno opasan u korporativnom okruženju, gdje je bilo slučajeva rukovoditelja koji su prebacivali tisuće dolara nakon što su vjerovali da razgovaraju sa svojim izvršnim direktorom.
Strategija slojevite detekcije
Ako koristite samo detektor deepfake-a, 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 je li prisutna stvarna osoba i detektira artefakte umjetne inteligencije u točnom trenutku snimanja.
- Detekcija prometa: Osigurava da video nije presretnut ili izmijenjen između korisnikovog mobilnog uređaja i poslužitelja, sprječavajući njegovo ubrizgati sintetički sadržaj u API-ju.
- Detekcija u usporedbi: Usporedite predstavljeni identitet s poznatim obrascima prijevare i analizirajte je li ponašanje korisnika sumnjivo.
Ovaj pristup omogućuje 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 financijski sektor
U svijetu fintecha i bankarstva, rizik je ekstreman. Kriminalci više ne kradu samo identitete; oni stvaraju sintetičke identitete . To uključuje miješanje stvarnih, procurjelih podataka (poput važeće osobne iskaznice) s izmišljenim informacijama i licem generiranim umjetnom inteligencijom. Rezultat je profil koji izgleda legitimno i omogućuje otvaranje računa ili podnošenje zahtjeva za kredite bez izazivanja sumnje.
Kako bi se suprotstavio tome, sustav prelazi s izolirane provjere na orkestrirane signale . Više nije dovoljno da se lice podudara s dokumentom; sada se analiziraju geolokacija, otisak prsta uređaja i brzina tipkanja. Ako su biometrijski podaci savršeni, ali se sumnja da je uređaj emulator , sustav 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 počet će zahtijevati da sav sadržaj generiran umjetnom inteligencijom bude jasno označen , pod kaznom visokih novčanih kazni.
Bitno je da tvrtke traže rješenja koja su u skladu s normom ISO/IEC 30107 i omogućuju obradu podataka na samom uređaju. To ne samo da poboljšava sigurnost, već i osigurava usklađenost s GDPR-om sprječavanjem putovanja sirovih biometrijskih podataka preko mreže, čime se smanjuje površina za napad.
Praktični savjeti za otkrivanje neovlaštenih pristupa
Iako umjetna inteligencija postaje sve sofisticiranija, još uvijek postoje tragovi koji nas mogu spasiti. Obratite pozornost 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 često su područja gdje umjetna inteligencija čini vidljive pogreške.
Još jedan detalj koji treba uzeti u obzir je sinkronizacija usana i zvuk. Zvuk često ne odgovara savršeno pokretima usana. Ako imate bilo kakvih nedoumica, najbolje je usporiti videozapis 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 sustava koji se ne oslanjaju samo na jedan faktor. Kombinacija napredne biometrije, analize ponašanja i stroge 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.
