PAD چیست و چگونه ریسک احراز هویت دیجیتال را برای کسب‌وکارها کاهش می‌دهد؟

با گسترش سرویس‌های مالی و دیجیتالی که بدون مراجعه حضوری و با اسکن چهره ارائه می‌شوند، امنیت بایومتریک مستقیماً با کنترل تقلب گره خورده است. موفقیت یک حمله جعل هویت می‌تواند به افتتاح حساب غیرمجاز، دسترسی به کیف‌پول یا خدمات، تقلب مالی و سوءاستفاده از هویت کاربران بینجامد.

روش‌های جعل نیز پیچیده‌تر شده‌اند. مهاجم امروز می‌تواند با محتوای مصنوعی مبتنی بر هوش مصنوعی، سیستم تشخیص چهره را فریب دهد؛ بنابراین، شباهت تصویر ورودی با چهره صاحب حساب به‌تنهایی کافی نیست؛ چون این شباهت الزاماً به معنای حضور یک انسان واقعی مقابل دوربین نیست.

اینجاست که Presentation Attack Detection یا PAD اهمیت پیدا می‌کند؛ مجموعه‌ای از فناوری‌ها و سازوکارهای امنیتی برای شناسایی و جلوگیری از حملات جعل هویت در سیستم‌های بایومتریک. در ادامه بررسی می‌کنیم PAD چیست، چگونه کار می‌کند، چه نوع حملاتی را شناسایی می‌کند و چرا به یکی از اجزای مهم امنیت احراز هویت دیجیتال یا KYC مدرن تبدیل شده است.

PAD چیست و چرا برای امنیت احراز هویت دیجیتال اهمیت دارد؟

Presentation Attack Detection یا PAD مجموعه‌ای از فناوری‌ها و الگوریتم‌های امنیتی است که میان کاربر واقعی و داده بایومتریک جعلی تمایز ایجاد می‌کند. هدف آن این است که سیستم احراز هویت صرفاً به شباهت تصویر ورودی با چهره مرجع اکتفا نکند و بتواند واقعی‌بودن حضور فرد مقابل دوربین را نیز ارزیابی کند.

در استانداردهای امنیت بایومتریک، هر تلاش برای فریب حسگر یا دوربین با داده بایومتریک جعلی، Presentation Attack نامیده می‌شود. در چنین حمله‌ای، مهاجم تلاش می‌کند با ارائه‌ی تصویری غیرواقعی، خود را به‌جای کاربر اصلی جا بزند؛ مثلاً با عکس چاپی، ویدئوی بازپخش‌شده روی نمایشگر، ماسک یا محتوای مصنوعی تولیدشده با هوش مصنوعی و Deepfake.

سیستم‌های ساده‌ی تشخیص چهره معمولاً فقط Face Matching انجام می‌دهند؛ یعنی بررسی می‌کنند که تصویر ورودی شبیه تصویر مرجع هست یا نه. اما شباهت ظاهری به‌تنهایی کافی نیست، چون یک تصویر یا ویدئوی جعلی هم ممکن است شباهت زیادی با چهره واقعی داشته باشد. PAD با شناسایی این نشانه‌ها، ریسک موفقیت حملات جعل هویت را کاهش می‌دهد و احراز هویت دیجیتال را از یک تطبیق ساده‌ی تصویر به فرایندی امن‌تر تبدیل می‌کند.

انواع رایج Presentation Attack

حمله‌های فریب می‌توانند با روش‌ها و ابزارهای مختلفی انجام شوند، اما رایج‌ترین انواع Presentation Attack معمولاً در چند دسته اصلی قرار می‌گیرند که هر یک سازوکار، سطح پیچیدگی و ریسک امنیتی متفاوتی دارند:

Print Attack

در Print Attack مهاجم تصویر چاپ‌شده چهره فرد را مقابل دوربین قرار می‌دهد تا سیستم تصور کند یک کاربر واقعی در حال احراز هویت است. این حمله یکی از قدیمی‌ترین و ساده‌ترین انواع حملات بایومتریک محسوب می‌شود، اما همچنان برای سیستم‌های فاقد فناوری ضدجعل خطرناک است.

Replay Attack یا Display Attack

در Replay Attack مهاجم تصویر یا ویدئوی فرد را روی موبایل، تبلت یا نمایشگر پخش می‌کند تا سیستم را فریب دهد. این حمله معمولاً طبیعی‌تر از حمله چاپی به‌نظر می‌رسد، چون حرکت صورت، پلک‌زدن یا تغییر زاویه چهره در آن وجود دارد.

Mask Attack

در Mask Attack مهاجم از ماسک‌های دوبعدی یا سه‌بعدی استفاده می‌کند تا ساختار واقعی چهره انسان را شبیه‌سازی کند. نسخه‌های پیشرفته‌تر این حملات ممکن است با استفاده از ماسک‌های سیلیکونی یا چاپ سه‌بعدی انجام شوند.

حملات مبتنی بر Deepfake

مهاجم در بعضی سناریوها از فناوری‌های مبتنی بر هوش مصنوعی برای تولید یا تغییر تصویر و ویدئو استفاده می‌کند. این حملات می‌توانند حرکت چهره را شبیه‌سازی کنند، حالات صورت را تغییر دهند یا ویدئوهای مصنوعی بسیار واقعی تولید کنند؛ به‌همین دلیل، Deepfake امروز یکی از مهم‌ترین چالش‌های امنیت بایومتریک محسوب می‌شود.

PAD چگونه کار می‌کند؟

سیستم‌های PAD معمولاً تلاش می‌کنند تفاوت میان چهره واقعی و محتوای جعلی را تشخیص دهند. برای این کار، ترکیبی از فناوری‌ها و الگوریتم‌های مختلف استفاده می‌شود:

تحلیل بافت تصویر

پوست واقعی انسان الگوهای بسیار پیچیده‌ای دارد که در تصویر چاپی، نمایشگر یا ماسک‌های مصنوعی به‌طور کامل بازتولید نمی‌شوند.

در این میان سیستم‌های ضدجعل می‌توانند نویزهای غیرطبیعی، بافت‌های ساختگی تصویری، یا رفتار متفاوت مواد و عناصر مختلف را شناسایی کنند.

تحلیل بازتاب نور

نور روی پوست واقعی و سطوح مصنوعی رفتار متفاوتی دارد؛ برای مثال، نمایشگرها نور را متفاوت بازتاب می‌دهند، تصاویر چاپی درخشش غیرطبیعی ایجاد می‌کنند و ماسک‌های سیلیکونی رفتار نوری متفاوتی نسبت به پوست واقعی دارند. تحلیل رفتار نور یکی از مهم‌ترین روش‌های مقابله با حملات Presentation Attack است.

تحلیل عمق تصویر

صورت انسان ساختار سه‌بعدی دارد، اما بسیاری از حملات مبتنی بر تصویر یا نمایشگر سطحی تخت ایجاد می‌کنند. برخی سیستم‌ها با استفاده از تحلیل عمق، حرکت سر یا تغییر زاویه دید می‌توانند تفاوت میان چهره واقعی و محتوای جعلی را تشخیص دهند.

تحلیل حرکت‌های طبیعی چهره

انسان حتی هنگام سکون کامل هم رفتارهای غیرارادی طبیعی دارد؛ حرکت‌های میکروسکوپی، تغییرات جزئی عضلات یا رفتار طبیعی چشم و صورت ازجمله آن‌هاست. بعضی سیستم‌های PAD این رفتارها را تحلیل می‌کنند تا محتوای مصنوعی یا جعلی را شناسایی کنند.

تحلیل چندفریمی و ویدئویی

بعضی نشانه‌های جعل فقط در یک تصویر مشخص نمی‌شوند؛ به‌همین دلیل، بسیاری از سیستم‌های مدرن از تحلیل چندفریمی و ویدئویی استفاده می‌کنند تا رفتارهای غیرطبیعی، تأخیرهای تصویری یا الگوهای تکرارشونده را شناسایی کنند.

نقش هوش مصنوعی در PAD

هوش مصنوعی در PAD صرفاً برای تشخیص تفاوت میان «تصویر واقعی» و «تصویر جعلی» به‌کار نمی‌رود، بلکه الگوهایی را تحلیل می‌کند که معمولاً در حملات جعل دیده می‌شوند. این الگوها می‌توانند شامل بافت غیرطبیعی تصویر، اثرات چاپ یا نمایشگر، بازتاب نامتعارف نور، ناهماهنگی میان اجزای چهره و تغییرات غیرطبیعی در فریم‌های متوالی ویدئو باشند.

مدل‌های یادگیری عمیق با آموزش روی نمونه‌های واقعی و سناریوهای متنوع جعل، برای هر درخواست یک امتیاز ریسک تولید می‌کنند. سیستم احراز هویت بر اساس این امتیاز تصمیم می‌گیرد که درخواست پذیرفته شود، رد شود یا به کنترل‌های تکمیلی نیاز داشته باشد. بنابراین، نقش مدل فقط شناسایی یک نوع حمله مشخص نیست؛ بلکه باید بتواند میان تجربه روان کاربر واقعی و جلوگیری از پذیرش محتوای جعلی تعادل برقرار کند.

این تعادل ثابت نیست. تفاوت کیفیت دوربین، نور محیط، نوع دستگاه و روش‌های جدید تولید محتوای مصنوعی می‌تواند بر عملکرد مدل اثر بگذارد؛ به‌همین دلیل، سامانه‌های PAD باید با داده‌ها و سناریوهای حمله جدید ارزیابی و به‌روزرسانی شوند.

تفاوت PAD و Liveness Detection چیست؟

گاهی PAD و Liveness Detection به‌جای یکدیگر استفاده می‌شوند، اما این دو دقیقاً یک مفهوم نیستند. Liveness Detection معمولاً روی تشخیص حضور یک انسان زنده تمرکز می‌کند، اما PAD مفهوم گسترده‌تری است و مجموعه‌ای از فناوری‌های مقابله با حملات جعل هویت را شامل می‌شود. در عمل، Liveness Detection یکی از مهم‌ترین اجزای سیستم‌های PAD محسوب می‌شود.

سرویس احراز هویت دیجیتال جیبیت چگونه از PAD استفاده می‌کند؟

سرویس احراز هویت بایومتریک جیبیت صرفاً یک ابزار تطبیق نیست؛ مجموعه‌ای از قابلیت‌ها را در اختیار کسب‌وکار قرار می‌دهد تا ادعای کاربر درباره هویت او با استفاده اسناد هویتی و داده‌های بصری و نشانه‌های رفتاری مبتنی بر هوش مصنوعی بررسی شود. تطبیق چهره با منابع مرجع، بررسی زنده‌بودن تصویر، استخراج اطلاعات از اسناد با OCR، بررسی اصالت اسناد و تبدیل صوت به متن، اجزایی هستند که می‌توانند متناسب با سناریوی احراز هویت در کنار هم قرار بگیرند.

در این میان، بررسی زنده‌بودن تصویر نقشی کلیدی در مقابله با جعل دارد. این لایه کمک می‌کند کسب‌وکار فقط به شباهت ظاهری یک تصویر اعتماد نکند و در برابر سناریوهایی مانند عکس چاپی، تصویر یا ویدئوی نمایش‌داده‌شده و ماسک، کنترل دقیق‌تری داشته باشد.

نتیجه، فرایند احراز هویتی است که می‌تواند هم‌زمان دو نیاز را پاسخ دهد: ساده‌کردن تجربه کاربر واقعی و کاهش ریسک پذیرش هویت جعلی. این موضوع برای کسب‌وکارهایی که ثبت‌نام، ورود، افتتاح حساب غیرحضوری یا ارائه خدمات مالی را به احراز هویت متصل کرده‌اند، یک کنترل عملیاتی مهم است.