لقد أصبح التعرف على الوجه ركيزة أساسية لأنظمة الأمن الحالية في مصادقة الهواتف الذكية والخدمات المصرفية والمراقبة. ومع ذلك، مع تزايد استخدام التعرف على الوجه، ترتفع احتمالات وقوع هجمات انتحال الهوية، حيث يستخدم المحتالون مدخلات بيومترية اصطناعية لتجاوز أنظمة التعرف على الوجه. وقد ظهرت تقنيات مكافحة انتحال الهوية باعتبارها العلاج الأكثر فعالية لهذه المشكلة من خلال ضمان عدم تمكن سوى الإنسان الحي من المرور عبر النظام الآمن.
أهمية مكافحة انتحال الوجه
يشير مصطلح مكافحة انتحال الوجه إلى الأساليب المستخدمة في اكتشاف وحظر محاولات خداع أنظمة التعرف البصري لقبول الصور أو مقاطع الفيديو أو الأقنعة كدليل على الهويات من خلال تطبيقات Android/Windows أو في الألعاب. ومع الاستخدام المتزايد بسرعة لأنظمة التعرف على الوجه للتحقق من الهوية وتفويض الدفع والسلامة العامة، أصبح هذا الأمر مهمًا بشكل متزايد.
فتح قفل الهواتف الذكية أو تسجيل الدخول إلى تطبيقات الخدمات المصرفية.
تفويض المعاملات بشكل آمن.
مراقبة الأماكن العامة.
ولكن مع انتشار أنظمة التعرف على الوجه، ركز المجرمون على هذه الأنظمة. وهذا يشكل خطراً كبيراً حيث يمكن للمهاجمين تقديم عينات بيومترية زائفة، والمعروفة باسم هجمات العرض، في وقت محاولة خداع النظام. وقد يتبع ذلك احتمالات سرقة الهوية، أو الاحتيال المالي، أو تعريض مجالات حساسة مثل الرعاية الصحية أو مراقبة الحدود للخطر.
لقد برز اكتشاف حيوية الوجه كحل رئيسي لهذه التحديات. فمن خلال التحقق من أن المدخلات تأتي من شخص حي وليس تمثيلًا ثابتًا أو مسجلًا مسبقًا، يضيف اكتشاف حيوية الوجه طبقة أساسية من الأمان لأنظمة التعرف على الوجه.
فهم هجمات العرض التقديمي
تتضمن هجمات العرض محاولات خداع الأنظمة البيومترية باستخدام مدخلات مزيفة. تستغل هذه الهجمات نقاط الضعف في أنظمة التعرف على الوجه التقليدية، والتي تركز فقط على مطابقة السمات دون التحقق من حيوية الصورة.
أنواع هجمات العرض التقديمي
فيما يلي بعض أكثر أنواع هجمات العرض التقديمي شيوعًا:
تتضمن هذه الأساليب استخدام صور عالية الدقة لشخص ما لخداع النظام. وغالبًا ما تكون هذه المطبوعات مغلفة أو مُزخرفة لتشبه خصائص الجلد.
في ظل هذه الطريقة، يتم عرض بعض مقاطع الفيديو المسجلة مسبقًا أو الصور الرقمية على الشاشات لانتحال شخصية شخص ما.
وتستخدم هذه الهجمات أقنعة ثلاثية الأبعاد مصنوعة من مواد مثل السيليكون أو اللاتكس لمحاكاة ملامح الوجه.
وتوضح بعض الأمثلة الواقعية المشاكل التي تشكلها هذه الهجمات:
- في عام 2023، استخدم المحتالون الصور المطبوعة لتجاوز بوابات الرعاية الاجتماعية حيث لم يكن هناك استشعار للعمق لقياس وجود الشخص.
- في الأنظمة المصرفية، شهدت هجمات الإعادة تسجيل مقاطع فيديو مُسجلة مسبقًا أثناء عمليات التحقق من الهوية عن بُعد.
- أصبحت الهجمات باستخدام الأقنعة أكثر تعقيدًا؛ حيث أفاد اليوروبول بزيادة في خرق الحدود باستخدام أقنعة شديدة الواقعية.
ما هو اكتشاف حيوية الوجه؟
إن اكتشاف الحيوية هي تقنية تتحقق من أن الوجه المعروض ينتمي إلى شخص حي، وليس مصدرًا مزيفًا. وهي تميز بين المستخدمين الحقيقيين والمدخلات المزيفة من خلال تحليل الخصائص الديناميكية مثل الحركة أو الملمس.
الاختلافات الرئيسية بين أنظمة التعرف على الوجه التقليدية وأنظمة مكافحة التزييف
- تعمل تقنية التعرف على الوجه التقليدية مع ميزات الوجه وتحاول مطابقتها مع القوالب المخزنة.
- تضيف أنظمة مكافحة التزييف طبقة إضافية من التحقق من حيوية الصورة باستخدام المؤشرات الفسيولوجية مثل الوميض وتقنيات خصائص المواد مثل الملمس.
تقنيات الكشف عن الحيوية
تختلف أنظمة مكافحة التزييف الحديثة عن بعضها البعض في الخصائص التي تستخدمها للتمييز بين الوجوه الحية والتمثيل المزيف:
تحليل الملمس
في هذه الطريقة، يتم العثور على خصائص سطح الوجه للتحقق من عدم الاتساق الذي يُظهِر أدلة على محاولات التزييف. على سبيل المثال:
- غالبًا ما تفتقر الصور المطبوعة إلى الملمس الطبيعي للجلد البشري.
- قد تظهر على الشاشات الرقمية تشوهات أو نعومة غير طبيعية.
تحليل الحركة
تتعلق هذه الأساليب بالتعرف على الحركات اللاإرادية، مثل الرمش أو إمالة الرأس الدقيقة. ومن الصعب تكرار مثل هذه الحركات الطبيعية بدقة الصور الثابتة.
كشف العمق
باستخدام تقنية استشعار العمق، يتم رسم خريطة ثلاثية الأبعاد للوجه باستخدام أجهزة استشعار الأشعة تحت الحمراء أو الضوء المنظم. ويمكن لهذه التقنية التمييز بسهولة بين الأسطح المستوية (مثل الصور) والوجوه الفعلية ذات العمق.
التحليل الزمني
التحليل الزمني هو تحليل الإطارات المتسلسلة في الفيديو للتعرف على التناقضات التي تشير إلى هجمات إعادة التشغيل على مدار بعض الوقت. على سبيل المثال، يمكن أن تشير الومضات أو حلقات الشاشات إلى استخدام شاشات رقمية أثناء محاولات المصادقة.
مناهج التعلم العميق
تصنف نماذج التعلم العميق، التي يمكن تدريبها على مجموعات بيانات كبيرة، المدخلات عمومًا بدقة عالية على أنها إما حقيقية أو مزيفة. على سبيل المثال: تقوم الشبكات العصبية التلافيفية (CNNs) بتحليل السمات المعقدة مثل ملمس الجلد أو ديناميكيات الحركة.
تحديات مكافحة انتحال الوجه
لا يزال تطوير أنظمة مكافحة التزييف الأكثر قوة يواجه العديد من التحديات:
تتنوع أساليب التزييف من الصور ذات الجودة المنخفضة إلى الصور عالية الجودة إلى الصور المزيفة المتقدمة.
يمكن أن تؤثر التغيرات البيئية، مثل ظروف الإضاءة وجودة الجهاز، على أداء النظام.
ونتيجة لمجموعات البيانات التدريبية غير المتوازنة، كانت بعض الأنظمة المبكرة تميل إلى أن يكون لديها معدلات خطأ أعلى في مجموعات عرقية معينة.
بسبب القيود الأخلاقية واللوجستية، لا يمكن جمع كميات كافية من البيانات المتنوعة وعالية الجودة لتدريب أنظمة الذكاء الاصطناعي.
مستقبل مكافحة تزوير الوجوه
تشير الاتجاهات الناشئة إلى تطورات مثيرة في تقنيات مكافحة التزييف.
- النهج المتعدد الوسائط: يتضمن ذلك إقران بيانات حيوية مختلفة، مثل الوجه والصوت، لضمان الأمان الإضافي.
- الشبكات العصبية المتقدمة: الحصول على هياكل معمارية أفضل لتحقيق تعميم أفضل عبر التركيبة السكانية.
- الاندماج البيومتري: دمج مختلف الوسائط البيومترية في أنظمة موحدة لتحقيق مصادقة أكثر موثوقية.
مع تطبيق تقنية التعرف على الوجه في الخدمات المصرفية والرعاية الصحية والأجهزة الذكية، سيستمر الطلب على آليات مكافحة التزييف الموثوقة في الارتفاع.
كيف تعمل عملية جمع بيانات الوجه على تمكين نماذج الذكاء الاصطناعي لمكافحة التزييف
تعتبر البيانات عالية الجودة ضرورية لتطوير أنظمة فعالة لمكافحة التزييف:
- ينبغي أن تكون البيانات قابلة للتعميم على بقية العالم، وتغطي مجموعة متنوعة من الظروف الديموغرافية والبيئية.
- لهذا السبب، يعد التعليق التوضيحي مهمًا للغاية في إنشاء مجموعات البيانات المصنّفة التي تساعد في التمييز بين المدخلات الحقيقية والمزيفة.
تظهر دراسة الحالة الخاصة بشاييب أفضل الممارسات في جمع البيانات:
حالة واحدة دراسة بقلم شايب يكشف عن أهمية أساليب مكافحة التزييف القوية. طورت الشركة مجموعة بيانات مكونة من 25,000 مقطع فيديو بمدخلات حقيقية ومزيفة لتدريب نماذج الذكاء الاصطناعي على اكتشاف الحياة.
- تم تطوير مجموعة البيانات بمساهمات 12,500 مشارك من خمس مجموعات عرقية.
- تضمن وضع علامات على البيانات الوصفية توضيح ظروف الإضاءة وأنواع الأجهزة لكل مقطع فيديو.
- سمح التسليم التدريجي بإجراء عمليات فحص الجودة في كل مرحلة مع التقاط السيناريوهات المختلفة أيضًا.
يمكن للمؤسسات التي تتعاون معنا تسهيل تطوير نموذج الذكاء الاصطناعي بشكل أسرع، مما يوفر دقة عالية ومتانة لأنظمة مكافحة التزييف الخاصة بها.
