Hvis du bruger biometri til onboarding eller godkendelse, påvisning af livlighed (også kaldet detektion af præsentationsangreb, PAD) er afgørende for at stoppe biometrisk forfalskning— fra trykte fotos og skærmgengivelser til 3D-masker og deepfakes. Gørt rigtigt, beviser liveness-detektion, at der er en levende menneske ved sensoren, før der sker nogen genkendelse eller matchning.
Hurtigt svar: Hvordan Liveness Detection stopper spoofing
Liveness-detektion skelner mellem levende biometriske signaler og præsentationsangreb (PA'er) ved hjælp af enten aktive prompts (f.eks. blink, hoveddrejning, tilfældige ord) eller passiv analyse (f.eks. tekstur, lysrespons, dybdeanvisninger, mikrobevægelser). ISO/IEC 30107-3 specificerer, hvordan PAD skal vurderes og rapporteres., muliggør sammenligning af æbler og æbler af leverandører.
Definitioner og kernebegreber
Præsentationsangreb (PA): Ethvert forsøg på at undergrave en biometrisk sensor med en artefakt (foto, video, maske) eller manipulerede medier (genafspilning, deepfake).
Detektion af præsentationsangreb (PAD): Mekanismer, der registrerer PA'er og rapporterer resultater på en standardiseret måde; ISO / IEC 30107-3 beskriver test- og rapporteringsmetoder, så købere kan sammenligne løsninger.
Biometrisk spoofing har udviklet sig. Tidlige PA'er var afhængige af 2D-print; nyere angreb bruger OLED-gengivelser i høj opløsning, teksturerede 3D-masker og AI-genererede deepfakes. Moderne PAD-algoritmer analyserer multisignalsignaler (f.eks. hudens mikrotekstur, fotometriske responser, dybde/IR) for at afgøre, om en prøve er live.
Aktiv vs. passiv liveness-detektion
- Aktiv livlighedBrugeren reagerer på en prompt – blink, smil, drej til venstre/højre, sig en sætning. Fordele: Simpel mental model; stærk mod basale 2D-angreb. Ulemper: Tilføjer friktion; prompter kan læres/forfalskes, hvis de implementeres naivt.
- Passiv livlighedIngen prompts. Modellen udleder livlighed fra naturlige signaler (tekstur, bevægelsesparallax, fjern PPG, linserefleksioner). Fordele: fremragende UX; skalerbar til KYC i store mængder. Ulemper: sværere at bygge; skal holde trit med nye PA'er og deepfakes.
I praksis kombinerer mange platforme begge dele via risikotilpasningsdygtig flows: start passiv, eskaler til aktiv eller multimodalt kontrollerer, når risikoen er høj (f.eks. hastighedsanomalier, TOR, enhedsemulering).
Detektionsmetoder, du vil se i felten
- Tekstur- og reflektansanalyseHud udviser finkornet mikrotekstur og fotometriske reaktioner, der adskiller sig fra skærme og trykte medier.
- Mikrobevægelser og tidsmæssige signalerUfrivillige blink med øjnene, subtile svajn med hovedet eller blodgennemstrømningssignaler på tværs af billeder er vanskelige at gentage overbevisende.
- Dybde- og IR-målingStruktureret lys eller ToF kan få 2D-parodier til at mislykkes; IR fremhæver væsentlige forskelle.
- Udfordringsrespons (aktiv)Randomiserede prompts øger angriberens omkostninger.
- multimodalKombination af ansigts-, stemme- og enhedssignaler kan yderligere reducere falske accepter.
Leverandører beskriver disse teknikker forskelligt, men de relaterer sig til PAD-kategorier, der er anerkendt i branchelitteratur og købervejledninger.
Hvad er nogle typer biometrisk spoofing?
Forskellige former for biometrisk spoofing matcher forskellige autentificeringsmetoder og udnytter deres svage punkter. Som følge heraf kan præsentationsangreb målrette adskillige biometriske modaliteter, herunder:
Ansigtsgenkendelses-forfalskningsangreb
- Udskriftsangreb: Brug af et statisk foto (mat/blank). PAD markerer fladhed, spejlende højdepunkter, eller aliasing fra udskriftsfibre.
- Gentagelsesangreb: Viser en ansigtsvideo på en telefon/skærm. Passiv PAD inspicerer skærmopdateringsartefakter og mere, aktive prompts øger vanskeligheder.
- 3D-maskeangreb: Silikone-/latex-/3D-printede masker med konturer. Dybde-/IR-måling og materialereflektansanalyse hjælper med at omgå disse.
- Deepfake-angreb: AI-genererede eller ansigtsbyttede videoer, der kan bestå grove kontroller. Vær opmærksom på tidsmæssig uoverensstemmelse.
Fingeraftryksgenkendelses-forfalskningsangreb
- Falske fingeraftryk: Afstøbninger lavet af silikone, gelatine eller ledende blæk. PAD bruger sved-pore-dynamik, kapacitans/optiske forskelle og liveness-signaler (f.eks. sved over tid).
- Latente fingeraftryk: Løft af rester fra sensorer for at genskabe detaljer i kløften. Regelmæssig sensorhygiejne og Tidsbaseret livlighed mindsker risiko.
- 3D-printede fingeraftryk: Højopløsningsforme, der tilnærmer sig højdens dybde; tæller med multispektral registrering og udfordringstærskler justeret til APCER/BPCER-mål.
Iris-genkendelses-forfalskningsangreb
- Digitale irisbilleder: Højkvalitetsudskrifter eller -visninger af iris. PAD registrerer manglende pupilrespons., spejlende mønsteruoverensstemmelse, og flad dybde.
- Kunstige øjne eller kontaktlinser: Teksturerede linser eller proteser forsøger at efterligne irismønstre; reflektans, spektral, og bevægelsestest hjælper.
- Fysiske øjne (kadaver/dyr): Sjælden og ekstrem; termiske og refleksreaktioner eksponerer ikke-levende prøver. (Dækning og prævalens varierer; evidensen er begrænset i åben litteratur – valider med dine egne tests.)
Brugssager til liveness-detektion på tværs af brancher
Fra bankvirksomhed og krypto til telekommunikation og eGov viser disse use cases, hvordan spoofing stoppes i KYC, overførsler af høj værdi, SIM/eSIM-flows, adgang til digitale ID'er og fjernundersøgelser – hvilket holder svindel ude, samtidig med at brugerfriktion holdes lav.
Bankvirksomhed, FinTech, Krypto
- KYC-onboarding: Registrering af ansigtsliveness for at blokere forsøg på udskrivning/genafspilning/deepfake før matchning af ansigts-ID.
- Godkendelse af overførsel af høj værdi: Passiv liveness → ansigtsmatch for overførsler over en tærskel.
- Kontogendannelse: Liveness + match når e-mail/telefon ændres eller enheden gentilknyttes.
- Hæveautomater/filialkiosker: Ansigtsbevægelse på kiosker til kortløs kontanthævning.
- Udbetalinger fra kryptobørser: Liveness-tjek før udbetalinger til eksterne tegnebøger.
Betalinger og e-handel
- Screening for ny kontobedrageri: Passiv aktivering ved første køb med accelereret betaling.
- Forebyggelse af refusion/tilbageførsel: Liveness før udstedelse af refusioner af høj værdi eller kortgenoptagelse.
- Onboarding af forhandler: Livet til verifikation af reel ejer i tilmeldinger til sælgere på markedspladsen.
Telecom
- SIM-registrering / eKYC: Livskraft for at forhindre identitetsudlejning og syntetiske ID'er.
- SIM-bytte og eSIM-aktivering: Øg livenessen før portout eller SIM-kortskift.
- Bekæmpelse af svindel i detailhandlen: Tablets i butikken indfanger livlighed og binder SIM-kortet til den retmæssige kunde.
Regering, Offentlig sektor, eID
- Udstedelse/fornyelse af digitalt ID: Fjerntilmelding med livefunktion til at blokere præsentationsangreb.
- Borgerserviceportaler: Livssikkerhed før adgang til ydelser, skatteoptegnelser eller sundhedsdata.
- Grænse-/e-gate-forsøg: Mød live-up med dokumentchipkontroller ved automatiske porte (pilotprogrammer).
Uddannelse, eksamener, certificering
- Fjernovervågning: Liveness ved start og periodiske kontroller for at forhindre efterligning.
- Udstedelse af legitimationsoplysninger: Livlighed før udstedelse af certifikater eller digitale badges.
Liveness-detektion der virker: Partner med Shaip
Liveness-detektion er dit første forsvar mod biometrisk spoofing – fra udskrifter og genafspilninger til 3D-masker og deepfakes. Kombinér passive, risikotilpasningsbaserede flows med kontinuerlig overvågning, og valider ydeevnen i din egen trafik.
Hvordan Shaip hjælper (afprøvet, produktionsklar):
- Klar-til-licens datasæt mod ansigtsanti-spoofing dækker 3D-maske, makeup og replay-angreb, med valgfri mærkning og kvalitetssikring til liveness/PAD-modeltræning. Eksempler inkluderer kuraterede videosæt, såsom 3D-maske og makeupangreb samling og Ægte + Gentagelse biblioteker, som er størrelsesordnet i tusindvis af klip.
- Case study: Levering af 25,000 videoer mod spoofing fra 12,500 deltagere (en rigtig + en gengivelse hver), optaget kl. 720p+ / ≥26 FPS, med 5 etniske grupper og strukturerede metadata – bygget til at forbedre robustheden af svindeldetektering.
- Etisk fremskaffede ansigtsbilled- og videodata at fremskynde træning og reducere bias i forbindelse med ansigtsgenkendelsesinitiativer i virksomheder.
Lad os tale: Hvis du har brug for biometrisk dataindsamling, Datasæt til ansigtsgenkendelse sourcing, eller AI data annotering For at hærde din PAD mod nye angreb kan Shaip undersøge en række egnet til risikodatasæt og evalueringsplan, der er afstemt med dine KPI'er og compliance-behov.
