Passiv vs. Aktiv Liveness: Eine Detaillierte Betrachtung

In der heutigen digitalen Welt ist die Gewährleistung der Authentizität von Online-Nutzern von größter Bedeutung. Betrügerische Aktivitäten, von Kontoübernahmen bis hin zu synthetischer Identitätsdiebstahl, nehmen zu, was eine robuste Identitätsprüfung unerlässlich macht. Ein Kernbestandteil dieses Überprüfungsprozesses ist die Liveness-Erkennung – die Technologie, die bestätigt, dass ein Benutzer ein echter, lebender Mensch ist und kein Spoofing-Versuch wie ein Foto, Video oder ein ausgeklügelter Deepfake. Zwei primäre Ansätze dominieren diesen Bereich: passive Liveness und aktive Liveness. Das Verständnis der Nuancen jedes Ansatzes ist entscheidend für die Auswahl der richtigen Lösung für Ihre spezifischen Sicherheits- und Benutzererlebnis-Anforderungen.

Wichtige Erkenntnisse

Passive Liveness: Bietet eine reibungslose Benutzererfahrung durch Analyse subtiler Hinweise während einer Selfie-Aufnahme, ist aber möglicherweise weniger robust gegen ausgeklügelte Angriffe.

Aktive Liveness: Bietet stärkere Sicherheit, indem Benutzer aufgefordert werden, bestimmte Aktionen auszuführen, kann aber zu Reibungsverlusten und potenziell niedrigeren Konversionsraten führen.

Die Wahl des richtigen Ansatzes: Hängt von Ihrer Risikobereitschaft, der Sensibilität der abgerufenen Daten und dem gewünschten Benutzererlebnis ab.

Hybride Ansätze: Die Kombination von passiver und aktiver Liveness bietet eine ausgewogene Lösung, die robuste Sicherheit mit minimalen Reibungsverlusten bietet.

Die Grundlagen der Liveness-Erkennung verstehen

Liveness-Erkennung zielt darauf ab, Präsentationsangriffe abzuwehren – Versuche, ein System davon zu überzeugen, dass ein Spoof eine echte Person ist. Diese Angriffe reichen von einfach (Halten eines gedruckten Fotos) bis hin zu extrem komplex (Verwendung von hochauflösenden, dynamisch aktualisierten Deepfakes). Sowohl passive als auch aktive Liveness-Techniken verwenden verschiedene Methoden, um diese Versuche zu erkennen, aber ihre grundlegenden Ansätze unterscheiden sich erheblich. Im Kern basiert Liveness-Erkennung auf Computer Vision, maschinellem Lernen und biometrischer Analyse. Das Grundprinzip besteht darin, Merkmale zu untersuchen, die einzigartig für einen lebenden Menschen vorhanden sind und in statischen oder synthetischen Darstellungen fehlen.

Passive Liveness: Der reibungslose Ansatz

Passive Liveness arbeitet im Hintergrund während einer Standard-Selfie-Aufnahme. Es erfordert nicht, dass der Benutzer aktiv etwas tut. Stattdessen analysiert es subtile Hinweise im Videostream, um festzustellen, ob eine lebende Person vorhanden ist. Diese Hinweise umfassen:

• Mikroexpressionen: Kleine, unwillkürliche Gesichtsbewegungen, die schwer zu replizieren sind.
• Blutflussanalyse: Erkennung subtiler Veränderungen der Hautfarbe, die auf die Blutzirkulation hinweisen.
• Texturanalyse: Untersuchung der Hauttextur, um sie von einem flachen Bild zu unterscheiden.
• Augenlid-Zwinkererfassung: Überprüfung natürlicher Blinzelmuster.

Moderne passive Liveness-Systeme nutzen fortschrittliche KI-Modelle, die auf riesigen Datensätzen von echten und gefälschten Gesichtern trainiert wurden. Diese Modelle lernen, Muster zu erkennen, die auf Liveness hindeuten, mit bemerkenswerter Genauigkeit. Beispielsweise analysiert die passive Liveness-Lösung von Didit über 400 Gesichtspunkte, um subtile Hinweise zu erkennen. Der Vorteil von Passive Liveness ist die nahtlose Benutzererfahrung – sie ist für den Benutzer praktisch unsichtbar, was zu höheren Konversionsraten führt. Sie kann jedoch anfälliger für ausgeklügelte Spoofing-Angriffe sein, insbesondere solche, die hochwertige Deepfakes einsetzen. Aktuelle passive Liveness-Lösungen erreichen Genauigkeitsraten von etwa 95 % gegen bekannte Spoofing-Angriffe.

Aktive Liveness: Hinzufügen einer Herausforderungsebene

Aktive Liveness erfordert im Gegensatz dazu, dass der Benutzer aktiv am Überprüfungsprozess teilnimmt. Dies beinhaltet typischerweise die Ausführung bestimmter Aktionen, die vom System aufgefordert werden. Zu den gängigen Beispielen gehören:

• Blinken: Aufforderung des Benutzers, mehrmals zu blinzeln.
• Lächeln: Aufforderung des Benutzers zu lächeln.
• Kopf Bewegungen: Anweisung des Benutzers, den Kopf nach links und rechts oder auf und ab zu drehen.
• Randomisierte Herausforderungen: Präsentation einzigartiger, unvorhersehbarer Aktionen, um vorab aufgezeichnete Angriffe zu verhindern.

Diese Herausforderungen sind so konzipiert, dass sie für einen Spoof schwer glaubwürdig zu replizieren sind. Beispielsweise kann ein einfaches Foto nicht auf Befehl blinzeln oder lächeln. Aktive Liveness umfasst oft 3D-Tiefensensoren und Anti-Spoofing-Technologien wie Blitzanalyse, um die Sicherheit weiter zu erhöhen. Die aktive Liveness von Didit, zertifiziert nach iBeta Level 1-Standards, bietet eine Genauigkeitsrate von 99,9 % durch die Kombination randomisierter Herausforderungen und 3D-Aktion + Blitz-Techniken. Während aktive Liveness eine höhere Sicherheit bietet, kann dies zu Reibungsverlusten im Benutzerprozess führen und möglicherweise zu geringeren Abschlussraten führen. Sorgfältiges Design und klare Anweisungen sind entscheidend, um diese Auswirkungen zu minimieren.

Hybride Ansätze: Das Beste aus beiden Welten

Immer mehr Organisationen setzen hybride Liveness-Lösungen ein, die die Stärken beider passiver und aktiver Techniken kombinieren. Ein gängiger Ansatz besteht darin, mit passiver Liveness zu beginnen, um eine reibungslose anfängliche Erfahrung zu bieten. Wenn das System ein potenzielles Risiko feststellt, wird auf aktive Liveness hochgestuft, um die Authentizität des Benutzers zu bestätigen. Dieser abgestufte Ansatz optimiert sowohl Sicherheit als auch Benutzererlebnis. Beispielsweise kann eine Finanzinstitution passive Liveness für Transaktionen mit geringem Risiko und aktive Liveness für Transfers mit hohem Wert verwenden. So können sie ein Gleichgewicht zwischen Sicherheit und Komfort herstellen.

Wie Didit hilft

Didit bietet sowohl hochmoderne passive als auch aktive Liveness-Erkennungsmodule, die es Unternehmen ermöglichen, ihre Überprüfungsprozesse an ihre spezifischen Bedürfnisse anzupassen. Unsere modulare Architektur ermöglicht es Ihnen, diese Module einfach mit unserem visuellen Workflow Builder in benutzerdefinierte Workflows zu integrieren. Wir bieten:

• Passive Liveness: Reibungslose, KI-gesteuerte Liveness-Erkennung, die nahtlos in den Benutzerablauf integriert ist.
• Aktive Liveness: iBeta Level 1-zertifizierte Liveness-Erkennung mit randomisierten Herausforderungen und 3D-Tiefensensoren.
• Workflow-Orchestrierung: Entwerfen Sie komplexe Überifizierungsabläufe, die sich an Risikostufen und Benutzerverhalten anpassen.
• Umfassende Analyse: Überwachen Sie die Leistung der Liveness-Erkennung und identifizieren Sie potenzielle Schwachstellen.

Bereit für den Start?

Lassen Sie nicht zu, dass betrügerische Aktivitäten Ihr Unternehmen gefährden. Entdecken Sie noch heute die Liveness-Erkennungslösungen von Didit und schützen Sie Ihre Plattform.

Demo anfordern | Technische Dokumentation anzeigen | Preise anzeigen