Kulcsszavak
Hogyan kell idézni
Absztrakt
Cél: A tanulmány célja, hogy bemutassa a biometrikus rendszerek elleni prezentációs támadások ma ismert kihívásait, ennek rendvédelmi, nemzetbiztonsági vetületeit, és felhívja a figyelmet a rendszerek alkalmazásának tervezésénél, a biometrikus személyazonosság-ellenőrzésnél a különböző szintű biztonságot jelentő megoldások, eszközök jelentőségére, lehetőségeire és ezek korlátaira, a rendszeres és célorientált kockázatelemzésre.
Módszertan: A tanulmány a prezentációs támadásokkal kapcsolatos legújabb kutatások eredményeit, a megjelent szakmai közlemények, tanulmányok valamint teszteredmények, és irányadó nemzetközi szervezetek jelentéseinek feldolgozásával, a meglévő szabványok által nyújtott megoldások áttekintésével mutatja be a biometrikus rendszerek elleni támadásokat és von le következtetéseket.
Megállapítások: A biometrikus rendszerek mesterséges intelligencia technológiákat alkalmazó rendszerek, óriási előnyökkel és a technológia által nyújtott lehetőségekkel rendelkeznek, és persze ezzel párhuzamosan a technológiából adódó kihívásokkal, megoldandó feladatokkal. A technológia rossz célokra való használatából adódó fenyegetések, a biometrikus rendszerek megtévesztése ma valós, egyre nagyobb kihívásokat jelentő probléma, és a hamisítás, megtévesztés felismerése, kivédése a feladat komplexitása okán ma még nem egyszerű. Kiterjedt kutatások folynak ma ezen a területen, de nincs általánosan használható, a rendszerekbe beépíthető megoldás vagy eszköz, alkalmazás az ilyen fenyegetések kivédésére. Egyes esetekre vannak már technikai megoldások, eszközök, de csakis kockázat alapú megközelítéssel, kockázati szintek felállításával és ennek megfelelő rendszertervezéssel és átgondolt biztonságpolitikai intézkedésekkel lehet a biometrikus rendszereket megtévesztő hamis adatközléseket, támadásokat jó eredménnyel felismerni és kivédeni, vagy a károkat mérsékelni.
Érték: Az automatikus azonosság-ellenőrzés technológia kihívásainak, a biometrikus rendszerek megtévesztése aktuális módszereinek az ismerete a védekezési módszerek, eljárások tervezésének az alapja és rendvédelmi, nemzetbiztonsági érdek is. Az elemzéssel kíván a cikk ehhez támogatást nyújtani.
Hivatkozások
Akhtara, Z., Dasgupta, D., & Banerjee, B. (2019). Face authenticity: An overview of face manipulation generation, detection and recognition. Proceedings of the International Conference on Communication and Information Processing (ICCIP-2019), pp. 1–9. Elsevier-SSRN. https://www.researchgate.net/publication/333984240
Dong, F., Zou, X., Wang, J., & Liu, X. (2023). Contrastive learning-based general Deepfake detection with multi-scale RGB frequency clues. Journal of King Saud University – Computer and Information Sciences, 35(4), pp. 90–99. https://doi.org/10.1016/j.jksuci.2023.03.005
ENISA. (2022). Remote identity proofing: Attacks & countermeasures. In V. Paggio, E. Nikolouzou, & M. Dekker (Eds.), ENISA report. Publications Office of the European Union. ISBN: 978-92-9204-549-4. https://www.facetec.com/wp-content/uploads/2022/01/ENISA-Report-Remote-Identity-Proofing-Attacks-Countermeasures-1.pdf
ENISA. (2024). Remote ID proofing good practices. In E. Nikolouzou & R. Naydenov (Eds.), ENISA report. Publications Office of the European Union. ISBN: 978-92-9204-661-3. https://www.enisa.europa.eu/publications/remote-id-proofing-good-practices
Europol. (2022). Facing reality? Law enforcement and the challenge of deepfakes. Publications Office of the European Union. ISBN: 978-92-95236-23-3. https://op.europa.eu/s/z12G
Garrido, P., Valgaerts, L., Rehmsen, O., Thorm, T., Perez, P., & Theobalt, C. (2014). Automatic face reenactment. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2014). IEEE. ISBN: 978-1-4799-5118-5. http://dx.doi.org/10.1109/CVPR.2014.537.
Grand View Research. (2020). Jelszó nélküli hitelesítési piacméret, részesedés és trendelemzési jelentés komponensenként, terméktípusonként (arcfelismerés, ujjlenyomat, írisz), hitelesítési típus szerint, hordozhatóság szerint, végfelhasználó szerint, régió szerint és szegmens-előrejelzések szerint. Market Analysis Report 2022–2030. GVR-4-68039-996-6. https://www.grandviewresearch.com/industry-analysis/passwordless-authentication-market-report
Hernandez-Ortega, J., Fierrez, J., Morales, A., & Galbally, J. (2019). Introduction to face presentation attack detection. In S. Marcel, J. Fierrez, & N. Evans (Eds.), Handbook of biometric anti-spoofing (pp. 203–230). Springer. https://doi.org/10.1007/978-3-319-92627-8_9
Kramer, R. S. S., Mireku, M. O., Flack, T. R., & Kay, L. R. (2019). Face morphing attacks: Investigating detection with humans and computers. Cognitive Research: Principles and Implications, 4(28). https://doi.org/10.1186/s41235-019-0181-4
Ngan, M., Grother, P., & Hanaoka, K. (2022). NIST IR 8331 DRAFT SUPPLEMENT: Ongoing Face Recognition Vendor Test (FRVT) Part 6B: Face recognition accuracy with face masks using post-COVID-19 algorithms. National Institute of Standards and Technology (NIST). https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt-ongoing
Ngan, M., Grother, P., & Hom, A. (2023). NIST Internal Report NIST IR 8491: Face analysis technology evaluation (FATE), Part 10: Performance of passive, software-based presentation attack detection (PAD) algorithms. National Institute of Standards and Technology (NIST). https://doi.org/10.6028/NIST.IR.8491
Ngan, M., Grother, P., Hanaoka, K., & Kuo, J. (2024). NIST IR 8292 DRAFT SUPPLEMENT: Face analysis technology evaluation (FATE), Part 4: MORPH - Performance of automated face morph detection. National Institute of Standards and Technology (NIST). https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt-ongoing
Qin, L., Peng, F., Long, M., Ramachandra, R., & Busch, B. (2021). Vulnerabilities of unattended face verification systems to facial components-based presentation attacks: An empirical study. ACM Transactions on Privacy and Security, 25(1), Article 4, pp. 1–28. https://doi.org/10.1145/3491199
Rathgeb, C., Tolosana, R., Vera-Rodriguez, R., & Busch, C. (Eds.). (2024). Handbook of digital face manipulation and detection: From DeepFakes to morphing attack. Springer. https://doi.org/10.1007/978-3-030-87664-7
Venkatesh, S., Ramachandra, R., Raja, K., & Busch, C. (2021). Face morphing attack generation and detection: A comprehensive survey. IEEE Transactions on Technology and Society, 2(3), pp. 128–145. https://ieeexplore.ieee.org/document/9380153
Yan, Z., Zhang, Y., Yuan, X., Lyu, S., & Wu, B. (2023). DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection. Proceedings of the 37th Conference on Neural Information Processing Systems (NeurIPS 2023), Track on Datasets and Benchmarks. https://arxiv.org/pdf/2307.01426
Yu, Z., Qin, Y., Li, X., Zhao, C., Lei, Z., & Zhao, G. (2023). Deep learning for face anti-spoofing: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(5), pp. 5609–5631. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9925105
Zhao, Z., Wang, P., & Lu, W. (2021). Multi-layer fusion neural network for deepfake detection. International Journal of Digital Crime and Forensics, 13(4), pp. 26–39. http://dx.doi.org/10.4018/IJDCF.20210701.oa3
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright (c) 2025 Belügyi Szemle