स्मार्टफोन प्रमाणीकरण, बैंकिङ र निगरानीमा अनुहार पहिचान वर्तमान सुरक्षा प्रणालीको एक प्रमुख स्तम्भ बनेको छ। यद्यपि, अनुहार पहिचानको बढ्दो प्रयोगसँगै, स्पूफिङ आक्रमणको सम्भावना बढ्छ, जसको कारणले गर्दा ठगी गर्नेहरूले अनुहार पहिचान प्रणालीहरूलाई बाइपास गर्न कृत्रिम बायोमेट्रिक इनपुटहरू प्रयोग गर्छन्। एन्टी-स्पूफिङ प्रविधिहरू सुरक्षित प्रणालीबाट केवल जीवित मानिस मात्र जान सक्छ भन्ने कुरा सुनिश्चित गरेर यो समस्याको सबैभन्दा प्रभावकारी उपायको रूपमा देखा परेको छ।
अनुहारको स्पुफिङ विरोधीको महत्व
अनुहार विरोधी स्पुफिङले एन्ड्रोइड/विन्डोज अनुप्रयोगहरू वा खेलहरूमा पहिचानको प्रमाणको रूपमा फोटो, भिडियो, वा मास्क स्वीकार गर्न दृश्य पहिचान प्रणालीहरूलाई नक्कली बनाउने प्रयासहरू पत्ता लगाउने र रोक्ने विधिहरूलाई जनाउँछ। पहिचान प्रमाणीकरण, भुक्तानी प्राधिकरण, र सार्वजनिक सुरक्षाको लागि अनुहार पहिचान प्रणालीहरूको द्रुत रूपमा बढ्दो प्रयोगको साथ, यो बढ्दो रूपमा महत्त्वपूर्ण हुँदै गइरहेको छ।
स्मार्टफोन अनलक गर्ने वा बैंकिङ एपहरूमा लग इन गर्ने।
सुरक्षित रूपमा लेनदेन अधिकृत गर्ने।
सार्वजनिक क्षेत्रहरूको निगरानी गर्नुहोस्।
यद्यपि, अनुहार पहिचानको प्रसारसँगै, अपराधीहरूले ती प्रणालीहरूमा ध्यान केन्द्रित गरेका छन्। यो एक प्रमुख जोखिम बन्छ किनकि आक्रमणकारीहरूले प्रणालीलाई धोका दिने प्रयास गर्दा प्रस्तुतीकरण आक्रमण भनेर चिनिने झूटा बायोमेट्रिक नमूनाहरू प्रस्तुत गर्न सक्छन्। पहिचान चोरी, वित्तीय घोटाला, वा स्वास्थ्य सेवा वा सीमा नियन्त्रण जस्ता संवेदनशील क्षेत्रहरूको खतराको सम्भावनाहरू पछ्याउन सक्छन्।
यी चुनौतीहरूको लागि जीवन्तता पत्ता लगाउने एउटा प्रमुख समाधानको रूपमा देखा परेको छ। इनपुट स्थिर वा पूर्व-रेकर्ड गरिएको प्रतिनिधित्वको सट्टा जीवन्त व्यक्तिबाट आएको हो भनेर प्रमाणित गरेर, जीवन्तता पत्ता लगाउनेले अनुहार पहिचान प्रणालीहरूमा सुरक्षाको एक आवश्यक तह थप्छ।
प्रस्तुतीकरण आक्रमणहरू बुझ्दै
प्रस्तुति आक्रमणहरूमा नक्कली इनपुटहरू प्रयोग गरेर बायोमेट्रिक प्रणालीहरूलाई धोका दिने प्रयासहरू समावेश छन्। यी आक्रमणहरूले परम्परागत अनुहार पहिचान प्रणालीहरूमा कमजोरीहरूको शोषण गर्छन्, जुन जीवन्तता प्रमाणित नगरी विशेषता मिलानमा मात्र केन्द्रित हुन्छन्।
प्रस्तुतीकरण आक्रमणका प्रकारहरू
यहाँ प्रस्तुतीकरण आक्रमणका केही सामान्य प्रकारहरू छन्:
यसमा प्रणालीलाई मूर्ख बनाउन व्यक्तिको उच्च-रिजोल्युसन तस्बिरहरू प्रयोग गर्नु समावेश छ। प्रायः, यी प्रिन्टहरू छालाको गुणहरूसँग मिल्दोजुल्दो ल्यामिनेट वा बनावट गरिएका हुन्छन्।
यस विधि अन्तर्गत, कसैको नक्कल गर्न केही पूर्व-रेकर्ड गरिएका भिडियो वा डिजिटल छविहरू स्क्रिनमा प्रदर्शित गरिन्छ।
यी आक्रमणहरूले अनुहारको रूपरेखा प्रतिकृति बनाउन सिलिकन वा लेटेक्स जस्ता सामग्रीबाट बनेको थ्रीडी मास्क प्रयोग गर्छन्।
केही वास्तविक उदाहरणहरूले यी आक्रमणहरूले निम्त्याउने समस्याहरू देखाउँछन्:
- २०२३ मा, ठगी गर्नेहरूले कल्याणकारी पोर्टलहरूलाई बाइपास गर्न छापिएका तस्बिरहरू प्रयोग गरे जहाँ व्यक्तिको उपस्थिति मापन गर्न गहिराइ सेन्सिङ थिएन।
- बैंकिङ प्रणालीहरूमा, रिप्ले आक्रमणहरूले टाढाको पहिचान प्रमाणिकरण प्रक्रियाहरूको क्रममा पूर्व-रेकर्ड गरिएको भिडियो देखेका छन्।
- मास्क आक्रमणहरू निकै परिष्कृत हुँदै गइरहेका छन्; युरोपोलले अति-यथार्थवादी मास्क प्रयोग गरेर सीमा उल्लङ्घनमा वृद्धि भएको रिपोर्ट गरेको छ।
अनुहार जीवन्तता पत्ता लगाउने प्रविधि के हो?
जीवन्तता पत्ता लगाउने प्रविधि भनेको प्रस्तुत गरिएको अनुहार नक्कली स्रोतको नभई जीवित व्यक्तिको हो भनेर प्रमाणित गर्ने प्रविधि हो। यसले गति वा बनावट जस्ता गतिशील विशेषताहरूको विश्लेषण गरेर वास्तविक प्रयोगकर्ताहरू र नक्कली इनपुटहरू बीच छुट्याउँछ।
परम्परागत अनुहार पहिचान र एन्टी-स्पुफिङ प्रणालीहरू बीचको मुख्य भिन्नताहरू
- परम्परागत अनुहार पहिचानले अनुहारका विशेषताहरूसँग काम गर्छ र तिनीहरूलाई भण्डारण गरिएका टेम्प्लेटहरूसँग मिलाउने प्रयास गर्छ।
- एन्टी-स्पुफिङ प्रणालीहरूले झिम्क्याउने जस्ता शारीरिक सूचकहरू र बनावट जस्ता भौतिक गुण प्रविधिहरू प्रयोग गरेर जीवन्तताको लागि प्रमाणीकरणको अतिरिक्त तह थप्छन्।
जीवन्तता पत्ता लगाउने प्रविधिहरू
आधुनिक एन्टी-स्पुफिङ प्रणालीहरू एकअर्काबाट फरक विशेषताहरूमा भिन्न छन् जुन तिनीहरूले नक्कली प्रतिनिधित्वबाट प्रत्यक्ष अनुहारहरू छुट्याउन प्रयोग गर्छन्:
बनावट विश्लेषण
यस विधिमा, अनुहारको सतह गुणहरू नक्कली बनाउने प्रयासहरूको प्रमाण देखाउने असंगतिहरू जाँच गर्न पाइन्छ। उदाहरणका लागि:
- छापिएका तस्बिरहरूमा प्रायः मानव छालाको प्राकृतिक बनावट हुँदैन।
- डिजिटल स्क्रिनहरूले पिक्सेलेशन वा अप्राकृतिक चिल्लोपन देखाउन सक्छन्।
गति विश्लेषण
यी विधिहरू अनैच्छिक चालहरू पहिचान गर्ने बारेमा हुन्, जस्तै झिम्काउनु वा टाउकोको सानो झुकाव। यस्ता प्राकृतिक चालहरू स्थिर छविहरूको शुद्धतासँग मुश्किलले दोहोरिन्छन्।
गहिराई पत्ता लगाउने
गहिराइ-सेन्सिङ प्रविधिको साथ, अनुहारको थ्रीडी संरचना इन्फ्रारेड सेन्सर वा संरचित प्रकाश प्रयोग गरेर म्याप गरिन्छ। यो प्रविधिले समतल सतहहरू (जस्तै फोटोहरू) र गहिराइ भएका वास्तविक अनुहारहरू बीच सजिलै छुट्याउन सक्छ।
अस्थायी विश्लेषण
टेम्पोरल विश्लेषण भनेको भिडियोमा सिरियल फ्रेमहरूको विश्लेषण हो जसले केही समयको लागि रिप्ले आक्रमणहरूलाई संकेत गर्ने असंगतिहरू पहिचान गर्दछ। उदाहरणका लागि, स्क्रिनहरूको फ्लिकर वा लूपहरूले प्रमाणीकरण प्रयासहरूको समयमा डिजिटल डिस्प्लेको प्रयोगलाई संकेत गर्न सक्छ।
गहन सिकाइका दृष्टिकोणहरू
ठूला डेटासेटहरूमा प्रशिक्षित गर्न सकिने गहिरो सिकाइ मोडेलहरूले सामान्यतया उच्च परिशुद्धताका साथ इनपुटहरूलाई वास्तविक वा नक्कलीको रूपमा वर्गीकृत गर्छन्। उदाहरणका लागि: कन्भोलुसनल न्यूरल नेटवर्क (CNN) ले छालाको बनावट वा गति गतिशीलता जस्ता जटिल सुविधाहरूको विश्लेषण गर्दछ।
अनुहार विरोधी स्पुफिङका चुनौतीहरू
अझ बलियो एन्टी-स्पुफिङ प्रणालीको विकासले धेरै चुनौतीहरूको सामना गरिरहेको छ:
स्पुफिङ विधिहरू कम गुणस्तरका तस्बिरहरूदेखि उन्नत डीपफेकहरूसम्म फरक हुन्छन्।
प्रकाश अवस्था र उपकरणको गुणस्तर जस्ता वातावरणीय परिवर्तनशीलताले प्रणालीको कार्यसम्पादनलाई असर गर्न सक्छ।
असंतुलित प्रशिक्षण डेटासेटहरूको कारण, केही प्रारम्भिक प्रणालीहरूमा निश्चित जातीय समूहहरूमा उच्च त्रुटि दरहरू हुने प्रवृत्ति थियो।
नैतिक र तार्किक अवरोधहरूका कारण, एआई प्रणालीहरूलाई प्रशिक्षण दिन पर्याप्त मात्रामा विविध र उच्च-गुणस्तरको डेटा सङ्कलन गर्न सकिँदैन।
अनुहार विरोधी स्पुफिङको भविष्य
उदीयमान प्रवृत्तिहरूले एन्टी-स्पुफिङ प्रविधिहरूमा रोमाञ्चक विकासहरू संकेत गर्छन्।
- बहुविधिक दृष्टिकोणहरू: यसमा थप सुरक्षा सुनिश्चित गर्न अनुहार र आवाज जस्ता फरक बायोमेट्रिक्स जोडा समावेश छ।
- उन्नत न्यूरल नेटवर्कहरू: जनसांख्यिकीय क्षेत्रमा राम्रो सामान्यीकरणको लागि राम्रो वास्तुकला प्राप्त गर्दै।
- बायोमेट्रिक फ्युजन: थप भरपर्दो प्रमाणीकरणको लागि विभिन्न बायोमेट्रिक मोडालिटीहरूलाई एकीकृत प्रणालीहरूमा एकीकृत गर्दै।
बैंकिङ, स्वास्थ्य सेवा र स्मार्ट उपकरणहरूमा अनुहार पहिचान लागू गरिँदै जाँदा, भरपर्दो एन्टी-स्पुफिङ संयन्त्रको माग बढ्दै जानेछ।
अनुहारको डेटा सङ्कलनले एन्टी-स्पुफिङ एआई मोडेलहरूलाई कसरी शक्ति दिन्छ
प्रभावकारी एन्टी-स्पुफिङ प्रणालीहरू विकास गर्न उच्च-गुणस्तरको डेटा आवश्यक छ:
- तथ्याङ्क विश्वको बाँकी भागका लागि सामान्यीकरणयोग्य हुनुपर्छ, जसले जनसांख्यिकी र वातावरणीय अवस्थाहरूको विविधतालाई समेट्छ।
- यसैकारण लेबल गरिएका डेटासेटहरूको सिर्जनामा एनोटेसन धेरै महत्त्वपूर्ण छ जसले वास्तविक र नक्कली इनपुटहरू छुट्याउन मद्दत गर्दछ।
शेपको केस स्टडीले डेटा सङ्कलनमा उत्कृष्ट अभ्यासहरू देखाउँछ:
एउटा केस शैप द्वारा अध्ययन बलियो एन्टी-स्पूफिङ विधिहरूको महत्त्व प्रकट गर्दछ। कम्पनीले जीवन पत्ता लगाउन एआई मोडेलहरूलाई तालिम दिन वास्तविक र नक्कली इनपुटहरू सहित २५,००० भिडियोहरूको डेटासेट विकास गरेको छ।
- पाँच जातीय समूहका १२,५०० सहभागीहरूको योगदानबाट डेटासेट विकसित गरिएको थियो।
- मेटाडेटा ट्यागिङले प्रत्येक भिडियोको लागि प्रकाश अवस्था र उपकरण प्रकारहरू एनोटेट गरिएको सुनिश्चित गर्यो।
- चरणबद्ध डेलिभरीले प्रत्येक चरणमा गुणस्तर जाँच गर्न अनुमति दियो र साथै विभिन्न परिदृश्यहरू पनि कैद गर्न सकियो।
हामीसँग सहकार्य गर्ने संस्थाहरूले एआई मोडेल विकासलाई छिटो सहज बनाउन सक्छन्, जसले गर्दा उनीहरूको एन्टी-स्पूफिङ प्रणालीहरूमा उच्च शुद्धता र बलियोपन प्रदान हुन्छ।
