Liveness detection

Liveness detection (обнаружение живости, проверка подлинности) — это технология, используемая в биометрических системах для определения, является ли предъявленный биометрический образец (например, отпечаток пальца, изображение лица, голос) живым человеком, а не подделкой (фотографией, видео, маской, записью голоса или муляжом). Относится к классу методов защиты от спуфинга (spoofing) — атак, направленных на обман биометрических датчиков.

Принцип работы

Liveness detection основан на анализе физиологических или поведенческих признаков, которые невозможно или крайне сложно воспроизвести с помощью подделки. Обнаружение может быть активным, когда система требует от пользователя определённых действий, или пассивным, когда анализ происходит незаметно для пользователя, на основе естественных характеристик.

Активные методы

Активные методы предполагают выполнение пользователем инструкций системы. Например, при проверке лица пользователя могут попросить моргнуть, повернуть голову, улыбнуться или произнести случайную последовательность цифр. При проверке отпечатка пальца может потребоваться изменить силу нажатия или провести пальцем в определённом направлении. Активные методы более надёжны, но менее удобны для пользователя, так как требуют его осознанного участия.

Пассивные методы

Пассивные методы анализируют биометрический образец без активного взаимодействия с пользователем. Они основаны на обнаружении признаков, характерных для живого человека, которые трудно подделать. К пассивным методам относятся:

• Анализ текстуры кожи: Оценка микрорельефа, пор, капиллярного рисунка. Фотография или видео обычно имеют более гладкую или, наоборот, зернистую текстуру, отличающуюся от живой кожи.
• Анализ движения: Отслеживание микродвижений (например, непроизвольных подёргиваний мышц лица, пульсации крови в сосудах), которые невозможно воспроизвести на статичном изображении или видео.
• Анализ глубины и 3D-структуры: Использование стереокамер, камер глубины (Time-of-Flight) или инфракрасных датчиков для построения трёхмерной модели лица. Плоская фотография или видео не создадут корректной 3D-карты.
• Анализ отражения света: Оценка бликов на коже, которые по-разному преломляются на живой ткани и на поверхности фотографии или экрана.
• Анализ пульсации (фотоплетизмография): Регистрация изменения цвета кожи в такт с сердечным ритмом. У живого человека наблюдается едва заметное изменение цвета лица при каждом ударе сердца.
• Анализ голоса: Оценка не только самого голоса, но и фоновых шумов, дыхания, а также проверка на наличие артефактов, характерных для записи.

Классификация

Технологии liveness detection можно классифицировать по нескольким признакам.

По типу используемой биометрии

• Liveness detection для лица: Наиболее распространённый тип, используемый в мобильных устройствах, системах видеонаблюдения и контроля доступа. Защищает от атак с использованием фотографий, видео, масок и 3D-моделей.
• Liveness detection для отпечатков пальцев: Применяется в сканерах отпечатков. Защищает от атак с использованием муляжей из желатина, силикона, клея или распечатанных на бумаге отпечатков.
• Liveness detection для радужной оболочки глаза: Используется в сканерах радужной оболочки. Защищает от атак с использованием фотографий глаза, контактных линз с нанесённым рисунком или искусственных глаз.
• Liveness detection для голоса: Применяется в голосовых ассистентах и системах голосовой аутентификации. Защищает от атак с использованием записей голоса или синтезированной речи.

По уровню взаимодействия с пользователем

• Активное (Challenge-Response): Требует от пользователя выполнения определённых действий. Более надёжно, но менее удобно.
• Пассивное (Non-intrusive): Не требует от пользователя специальных действий. Более удобно, но может быть менее устойчиво к сложным атакам.

По используемым датчикам

• Аппаратное (Hardware-based): Использует специализированные датчики, такие как инфракрасные камеры, камеры глубины, мультиспектральные сенсоры. Обеспечивает высокий уровень защиты, но увеличивает стоимость устройства.
• Программное (Software-based): Анализирует изображения или видео, полученные с обычной камеры. Не требует дополнительного оборудования, но может быть менее надёжным при атаках высокого качества.

Применение

Liveness detection широко применяется в различных областях, где требуется высокая степень защиты от мошенничества:

• Мобильные устройства: Разблокировка смартфонов и планшетов по лицу или отпечатку пальца.
• Финансовый сектор: Подтверждение личности при открытии банковских счетов, проведении онлайн-платежей, получении кредитов (удалённая верификация).
• Государственные услуги: Получение электронной подписи, регистрация на порталах госуслуг, дистанционное голосование.
• Системы контроля доступа: Проход на охраняемые объекты, в зоны ограниченного доступа.
• Правоохранительные органы: Идентификация подозреваемых, проверка документов.
• Медицина: Удалённая идентификация пациентов, доступ к медицинским записям.

Уязвимости и критика

Несмотря на развитие, liveness detection не является абсолютно надёжной технологией. Основные уязвимости связаны с:

• Атаки с использованием глубоких подделок (Deepfakes): Высококачественные синтезированные видео или изображения, созданные с помощью нейросетей, могут обмануть некоторые пассивные методы.
• Атаки с использованием масок: Реалистичные силиконовые или латексные маски могут обмануть системы, не использующие анализ глубины или инфракрасное излучение.
• Атаки с использованием реконструкции отпечатков: Изготовление муляжа отпечатка пальца на основе украденной базы данных.
• Атаки с использованием видео: Запись видео с морганием или поворотами головы может обмануть активные методы, если система не проверяет случайность последовательности действий.

Критика технологии также связана с вопросами конфиденциальности. Сбор и анализ биометрических данных, особенно в пассивном режиме, может вызывать опасения по поводу слежки и несанкционированного использования информации. Кроме того, системы liveness detection могут ошибаться, отказывая в доступе законным пользователям (ложные срабатывания) или пропуская злоумышленников (ложные пропуски).

Перспективы развития

Основные направления развития liveness detection включают:

• Мультимодальные системы: Комбинация нескольких методов (например, анализ лица и голоса) для повышения надёжности.
• Использование искусственного интеллекта: Обучение нейросетей на больших массивах данных для выявления всё более сложных атак.
• Разработка методов, устойчивых к Deepfake: Создание алгоритмов, способных отличать синтезированные изображения от реальных.
• Интеграция с аппаратными модулями доверенной среды (TEE): Обработка биометрических данных в защищённой среде устройства для предотвращения их перехвата.

Источники

• Jain, A. K., Ross, A., & Nandakumar, K. (2011). Introduction to Biometrics. Springer.
• Hadid, A., Evans, N., Marcel, S., & Fierrez, J. (2015). Biometrics Systems Under Spoofing Attacks: An overview of the state-of-the-art and the way forward. IEEE Signal Processing Magazine.
• Marcel, S., Nixon, M. S., & Li, S. Z. (Eds.). (2014). Handbook of Biometric Anti-Spoofing: Trusted Biometrics under Spoofing Attacks. Springer.
• NIST (National Institute of Standards and Technology). (2023). Face Recognition Vendor Test (FRVT) – Liveness Detection Report.