लाइवनेस डिटेक्शन: विधियाँ, मेट्रिक्स और परीक्षण (HI)

लाइवनेस डिटेक्शन एक बायोमेट्रिक नियंत्रण है जो यह अनुमान लगाता है कि एक नमूना कैप्चर के दौरान मौजूद एक जीवित व्यक्ति से आता है, न कि किसी फोटो, रीप्ले, मास्क या अन्य कलाकृति से। चेहरे के सत्यापन में, यह यह जवाब देने में मदद करता है कि "क्या यह एक लाइव कैप्चर है?" इससे पहले कि एक अलग चेहरा-मिलान प्रणाली यह जवाब दे "क्या यह चेहरा संदर्भ से मेल खाता है?"

बायोमेट्रिक सेंसर को प्रस्तुत की गई कलाकृतियों का पता लगाने के लिए मानक शब्द प्रेजेंटेशन अटैक डिटेक्शन, या PAD है। उत्पाद चर्चाओं में लाइवनेस और PAD का अक्सर एक दूसरे के स्थान पर उपयोग किया जाता है, लेकिन सीमा मायने रखती है: हमले भौतिक कैमरे को कुछ भी प्रस्तुत किए बिना डेटा पथ में सिंथेटिक या रीप्लेड मीडिया को भी इंजेक्ट कर सकते हैं।

मुख्य बातें

• लाइवनेस और चेहरे का मिलान अलग-अलग सवालों के जवाब देते हैं। एक जीवित अजनबी लाइवनेस पास कर सकता है और फिर भी गलत व्यक्ति हो सकता है; सही व्यक्ति की एक सटीक छवि रीप्ले होने पर भी मिलान कर सकती है।
• निष्क्रिय और सक्रिय विधियाँ अलग-अलग ट्रेड-ऑफ बनाती हैं। निष्क्रिय जाँच एक सामान्य कैप्चर का अवलोकन करती है, जबकि सक्रिय जाँच उपयोगकर्ता को एक संकेतित कार्रवाई पूरी करने के लिए कहती है।
• PAD और इंजेक्शन बचाव अलग-अलग हमला मार्गों को कवर करते हैं। एक मजबूत कैप्चर प्रवाह को सेंसर और उसके बाद के सॉफ्टवेयर पाइपलाइन दोनों पर विचार करना चाहिए।
• एकल सटीकता प्रतिशत पर्याप्त नहीं है। मूल्यांकन के लिए हमला-त्रुटि दरें, वास्तविक-उपयोगकर्ता त्रुटि दरें, परीक्षण की शर्तें, जनसांख्यिकीय और डिवाइस स्लाइस, विलंबता और पुनः प्रयास व्यवहार की आवश्यकता होती है।
• परीक्षण को इच्छित परिनियोजन के समान होना चाहिए। हमला उपकरण, कैमरे, संपीड़न, प्रकाश व्यवस्था, भूगोल और उपयोगकर्ता आबादी सभी परिणामों को प्रभावित करते हैं।

लाइवनेस डिटेक्शन क्या करता है

एक दूरस्थ चेहरा-सत्यापन प्रवाह में आमतौर पर कई अलग-अलग निर्णय होते हैं:

1. कैप्चर अखंडता: क्या नमूना अपेक्षित कैमरे और एप्लिकेशन पथ के माध्यम से उत्पन्न हुआ?
2. प्रेजेंटेशन अटैक डिटेक्शन: क्या सेंसर एक हमला उपकरण के बजाय एक जीवित बायोमेट्रिक विशेषता का अवलोकन करता हुआ प्रतीत होता है?
3. बायोमेट्रिक गुणवत्ता: क्या नमूना विश्लेषण के लिए उपयुक्त है?
4. चेहरे का मिलान: क्या कैप्चर किया गया चेहरा विश्वसनीय संदर्भ के लिए पर्याप्त रूप से समान है?
5. प्रासंगिक जोखिम: क्या डिवाइस, नेटवर्क, खाता और व्यवहारिक संकेत उसी निष्कर्ष का समर्थन करते हैं?

इन निर्णयों को एक "सत्यापित" परिणाम में समेटने से कमजोरियों का पता लगाना मुश्किल हो जाता है। उन्हें अलग रखने से एक टीम को नीति को ट्यून करने, परिणामों की व्याख्या करने और कम गुणवत्ता, संदिग्ध स्पूफिंग, पहचान बेमेल और उच्च प्रासंगिक जोखिम के प्रति अलग तरह से प्रतिक्रिया करने की अनुमति मिलती है।

इसलिए लाइवनेस एक पहचान निर्णय के भीतर एक नियंत्रण है, न कि अपने आप में पहचान का प्रमाण।

प्रेजेंटेशन हमले और इंजेक्शन हमले

एक प्रेजेंटेशन हमला बायोमेट्रिक सेंसर पर होता है। हमलावर कुछ ऐसा प्रस्तुत करता है जिसे लक्ष्य व्यक्ति के रूप में कैप्चर करने का इरादा होता है। उदाहरणों में शामिल हैं:

• एक मुद्रित या प्रदर्शित चेहरे की छवि;
• दूसरी स्क्रीन पर एक वीडियो रीप्ले;
• एक कट-आउट या आंशिक कलाकृति;
• एक दो-आयामी या तीन-आयामी मास्क;
• मेकअप, प्रोस्थेटिक्स, या अन्य उपस्थिति संशोधन।

एक इंजेक्शन हमला कैप्चर पथ को बदल देता है। पूर्वनिर्धारित, परिवर्तित, या उत्पन्न मीडिया को एक वर्चुअल कैमरा, एप्लिकेशन, ऑपरेटिंग-सिस्टम इंटरफ़ेस, एमुलेटर, या नेटवर्क अनुरोध में डाला जा सकता है। भौतिक कैमरा कभी भी जाली नमूना नहीं देख सकता है।

यह अंतर बचाव को बदल देता है। PAD एक प्रस्तुत कलाकृति से जुड़े दृश्य या व्यवहारिक साक्ष्य का पता लगा सकता है, लेकिन एक इंजेक्टेड स्ट्रीम भौतिक स्थितियों से बच सकती है जिनकी PAD विधि अपेक्षा करती है। इसलिए बचाव में बायोमेट्रिक विश्लेषण के अतिरिक्त एप्लिकेशन अखंडता, विश्वसनीय कैप्चर, रीप्ले प्रतिरोध, सत्र बाइंडिंग, पेलोड प्रमाणीकरण, वर्चुअल-कैमरा डिटेक्शन और सर्वर-साइड निरंतरता जाँच शामिल हो सकते हैं।

निष्क्रिय, सक्रिय और हाइब्रिड लाइवनेस

निष्क्रिय लाइवनेस

निष्क्रिय लाइवनेस उपयोगकर्ता को एक स्पष्ट चुनौती देने के लिए कहे बिना एक कैप्चर का विश्लेषण करती है। कार्यान्वयन के आधार पर, यह बनावट, गहराई के संकेतों, प्रतिबिंबों, गति, छवि निर्माण, अस्थायी निरंतरता या अन्य संकेतों का निरीक्षण कर सकता है।

मुख्य लाभ कम इंटरेक्शन लागत है: जाँच एक सामान्य सेल्फी या छोटे कैप्चर के दौरान हो सकती है। ट्रेड-ऑफ यह है कि इसकी सुरक्षा परीक्षण किए गए हमला सेट, कैप्चर चैनल, मॉडल और सीमा पर बहुत अधिक निर्भर करती है। "निष्क्रिय" उपयोगकर्ता अनुभव का वर्णन करता है, न कि आश्वासन के सार्वभौमिक स्तर का।

सक्रिय लाइवनेस

सक्रिय लाइवनेस उपयोगकर्ता को एक संकेत का जवाब देने के लिए कहती है, जैसे सिर की मुद्रा बदलना या एक यादृच्छिक अनुक्रम का पालन करना। प्रतिक्रिया चुनौती-प्रतिक्रिया साक्ष्य जोड़ सकती है और एक निश्चित रीप्ले को कम उपयोगी बना सकती है।

ट्रेड-ऑफ अतिरिक्त समय, पहुंच की आवश्यकताएं, स्थानीयकरण की आवश्यकताएं और उपयोगकर्ता त्रुटि हैं। अनुमानित या पुनः प्रयोज्य चुनौतियां भी मूल्य खो सकती हैं, इसलिए चुनौती डिजाइन और सत्र बाइंडिंग दृश्यमान हावभाव जितना ही मायने रखता है।

हाइब्रिड लाइवनेस

एक हाइब्रिड प्रवाह निष्क्रिय विश्लेषण को एक सक्रिय चुनौती के साथ जोड़ता है, अक्सर तभी बढ़ता है जब निष्क्रिय परिणाम अनिश्चित होता है या आसपास का जोखिम अधिक होता है। यह अधिकांश वास्तविक उपयोगकर्ताओं के लिए एक छोटा मार्ग बनाए रख सकता है जबकि चयनित मामलों में अधिक साक्ष्य एकत्र करता है।

विधि	उपयोगकर्ता इंटरेक्शन	मुख्य शक्ति	मुख्य सीमा	उपयोगी पैटर्न
निष्क्रिय	सामान्य कैप्चर	कम घर्षण	कैप्चर की स्थितियों और परीक्षण किए गए हमलों पर निर्भर करता है	डिफ़ॉल्ट स्क्रीनिंग
सक्रिय	संकेतित कार्रवाई	चुनौती-प्रतिक्रिया साक्ष्य जोड़ता है	अधिक परित्याग और पहुंच कार्य	उच्च जोखिम वाले या अनिश्चित मामले
हाइब्रिड	सशर्त	साक्ष्य और घर्षण को संतुलित कर सकता है	अधिक नीति और ऑर्केस्ट्रेशन जटिलता	जोखिम-आधारित वृद्धि

सही विकल्प संरक्षित की जा रही कार्रवाई पर निर्भर करता है। खाता पुनर्प्राप्ति, उच्च-मूल्य वाले स्थानांतरण, आयु जाँच, कर्मचारी पहुंच और प्रारंभिक ग्राहक ऑनबोर्डिंग आवश्यक रूप से समान सीमा या इंटरेक्शन को उचित नहीं ठहराते हैं।

लाइवनेस निर्णय कैसे उत्पन्न होता है

हालांकि कार्यान्वयन भिन्न होते हैं, एक अच्छी तरह से संरचित प्रवाह आमतौर पर इन चरणों का पालन करता है:

1. एक बाउंड सत्र शुरू करें। बैकएंड अपेक्षित उपयोगकर्ता, कार्रवाई, डिवाइस और नीति से संबंधित एक अल्पकालिक प्रयास बनाता है।
2. कैप्चर का मार्गदर्शन करें। इंटरफ़ेस फ्रेमिंग, दृश्यता, प्रकाश व्यवस्था और गति की जाँच करता है, जबकि सुलभ निर्देश देता है।
3. इनपुट पथ को सुरक्षित रखें। एप्लिकेशन रीप्ले और प्रतिस्थापन के अवसरों को सीमित करता है और नमूने को वर्तमान सत्र से बांधता है।
4. नमूना गुणवत्ता की जाँच करें। अनुपयोगी इनपुट को संदिग्ध हमलों से अलग किया जाता है; धोखाधड़ी को अस्वीकार करने से बेहतर कैप्चर के लिए पूछना अलग है।
5. PAD या लाइवनेस विश्लेषण चलाएँ। सिस्टम कॉन्फ़िगर किए गए विधि के आधार पर स्कोर या श्रेणीबद्ध साक्ष्य उत्पन्न करता है।
6. आवश्यक होने पर पहचान का मिलान करें। एक अलग बायोमेट्रिक तुलना लाइव कैप्चर को एक विश्वसनीय संदर्भ से जोड़ती है।
7. जोखिम संकेतों को मिलाएं। डिवाइस, IP, प्रयास इतिहास, वेग और खाता संदर्भ आवश्यक कार्रवाई को बदल सकते हैं।
8. नीति लागू करें। परिणाम पास, पुनः प्रयास, स्टेप-अप, मैन्युअल समीक्षा या अस्वीकार हो सकता है।
9. निर्णय रिकॉर्ड करें। ऑडिट डेटा को संस्करणों, सीमाओं, साक्ष्य, समय और परिणाम के कारण की पहचान करनी चाहिए।

पुनः प्रयासों के लिए स्पष्ट नियम होने चाहिए। असीमित प्रयास हमलावरों को अधिक अवसर देते हैं और परिचालन समस्याओं को छिपा सकते हैं। हालांकि, अत्यधिक सख्त सीमाएं पुराने कैमरों, विकलांगों, खराब कनेक्टिविटी या मुश्किल प्रकाश व्यवस्था वाले वास्तविक उपयोगकर्ताओं को दंडित कर सकती हैं।

मापने योग्य मेट्रिक्स

ISO/IEC 30107 हमले प्रस्तुतियों से जुड़ी त्रुटियों को वास्तविक उपयोगकर्ताओं से जुड़ी त्रुटियों से अलग करता है। सामान्य PAD शब्दों में शामिल हैं:

• APCER — अटैक प्रेजेंटेशन क्लासिफिकेशन एरर रेट: निर्दिष्ट प्रकार के हमला प्रस्तुतियों का अनुपात जिन्हें गलत तरीके से वास्तविक के रूप में वर्गीकृत किया जाता है।
• BPCER — बोना फाइड प्रेजेंटेशन क्लासिफिकेशन एरर रेट: वास्तविक प्रस्तुतियों का अनुपात जिन्हें गलत तरीके से हमलों के रूप में वर्गीकृत किया जाता है।

इन मूल्यों की एक साथ और एक बताए गए ऑपरेटिंग बिंदु पर व्याख्या की जानी चाहिए। एक सीमा को कम करने से अधिक हमलों को अस्वीकार किया जा सकता है, जबकि अधिक वास्तविक उपयोगकर्ताओं को भी अस्वीकार किया जा सकता है। सभी हमलों को एक औसत में एकत्रित करने से एक विशेष उपकरण, जैसे रीप्ले या मास्क के खिलाफ कमजोरी छिप सकती है।

अन्य परिचालन उपायों की भी आवश्यकता है:

• प्राप्त करने या पूरा करने में विफलता;
• पुनः प्रयास और परित्याग दरें;
• निर्णय विलंबता;
• डिवाइस, ऑपरेटिंग सिस्टम, कैमरा और नेटवर्क स्थिति के अनुसार परिणाम;
• प्रासंगिक जनसांख्यिकीय समूहों में परिणाम;
• मैन्युअल-समीक्षा दर और समीक्षक समझौता;
• परिनियोजन के बाद पुष्टि की गई धोखाधड़ी और गलत-सकारात्मक परिणाम।

चेहरे का मिलान अपने स्वयं के गलत-मिलान और गलत-गैर-मिलान उपायों को प्रस्तुत करता है। उन्हें लाइवनेस मेट्रिक्स के रूप में प्रस्तुत नहीं किया जाना चाहिए। एक पूरी रिपोर्ट हर दर के लिए उपप्रणाली, जनसंख्या, सीमा, परीक्षण सेट और भाजक का नाम देती है।

स्वतंत्र PAD परीक्षण क्या साबित करता है—और क्या नहीं

स्वतंत्र मूल्यांकन मूल्यवान है क्योंकि यह एक दोहराने योग्य परीक्षण योजना, प्रलेखित हमला उपकरण और विक्रेता के अपने प्रदर्शन के बाहर उत्पादित परिणाम देता है। ISO/IEC 30107-3 PAD परीक्षण और रिपोर्टिंग के लिए सिद्धांतों को निर्दिष्ट करता है।

प्रमाणीकरण या प्रयोगशाला परीक्षण यह साबित नहीं करता है कि हर परिनियोजन समान रूप से प्रदर्शन करेगा। दायरे को पढ़ें:

• किस उत्पाद और संस्करण का परीक्षण किया गया था?
• क्या मोड सक्रिय, निष्क्रिय, या दोनों था?
• कौन सी हमला प्रजातियां और प्रेजेंटेशन स्तर शामिल थे?
• कौन से डिवाइस, कैमरे और पर्यावरणीय स्थितियां उपयोग की गईं?
• कौन सी सीमाएं और पुनः प्रयास नियम लागू हुए?
• क्या परीक्षण में केवल प्रेजेंटेशन हमले शामिल थे, या इंजेक्शन हमले भी?

एक परिनियोजन अलग-अलग कैमरों, संपीड़न, SDK एकीकरण, सीमाओं, कैप्चर मार्गदर्शन, या नीति के माध्यम से प्रयोगशाला परिणाम से भिन्न हो सकता है। रिपोर्ट को एक परिभाषित कॉन्फ़िगरेशन के बारे में साक्ष्य के रूप में मानें, फिर वास्तविक वातावरण के लिए परीक्षण जोड़ें।

लाइवनेस सिस्टम का मूल्यांकन कैसे करें

1. संरक्षित कार्रवाई को परिभाषित करें

बताएं कि पास होने के बाद क्या होता है और गलत स्वीकार या गलत अस्वीकार से क्या नुकसान होता है। कम जोखिम वाले खाते को खोलने का परिणाम खाता पुनर्प्राप्ति या एक बड़े स्थानांतरण को अधिकृत करने से भिन्न हो सकता है।

2. एक हमला मॉडल बनाएं

प्रासंगिक प्रेजेंटेशन उपकरणों और इंजेक्शन मार्गों को सूचीबद्ध करें। केवल परिष्कृत सिंथेटिक मीडिया पर ध्यान केंद्रित करने से पहले सामान्य रीप्ले और प्रिंट शामिल करें। विचार करें कि क्या हमलावर के पास उच्च-गुणवत्ता वाली छवि, एक वीडियो, पहचान दस्तावेज, खाता क्रेडेंशियल, या डिवाइस का नियंत्रण है।

3. स्कोप किए गए साक्ष्य की मांग करें

प्रस्तावित ऑपरेटिंग सीमा पर प्रति-हमला परिणाम का अनुरोध करें, न कि एक अचिह्नित "99%" आंकड़ा। हमला प्रदर्शन के साथ-साथ वास्तविक-उपयोगकर्ता त्रुटियों, पूर्णता, विलंबता, डिवाइस कवरेज, पहुंच और स्वतंत्र परीक्षण दायरे की समीक्षा करें।

4. वास्तविक एकीकरण का परीक्षण करें

उत्पादन SDK या कैप्चर घटक को उन उपकरणों, ब्राउज़रों, बैंडविड्थ और प्रकाश व्यवस्था पर चलाएं जो आपके उपयोगकर्ता वास्तव में उपयोग करते हैं। रुकावट, अनुमति अस्वीकृति, पृष्ठभूमि, पुनः प्रयास, एमुलेटर, वर्चुअल कैमरे और पुनः उपयोग किए गए सत्रों का परीक्षण करें।

5. पूरे निर्णय का मूल्यांकन करें

चेहरे का मिलान, दस्तावेज या डेटाबेस साक्ष्य, सत्र बाइंडिंग, डिवाइस और नेटवर्क सिग्नल, स्टेप-अप लॉजिक, समीक्षा उपकरण, ऑडिट रिकॉर्ड और पुनर्प्राप्ति पथों का परीक्षण करें। एक लाइवनेस परिणाम एक कमजोर नामांकन संदर्भ या एक असुरक्षित फॉलबैक की भरपाई नहीं कर सकता है।

6. लॉन्च के बाद निगरानी करें

उत्पाद संस्करण, डिवाइस सेगमेंट, भूगोल, अधिग्रहण चैनल और नीति के अनुसार परिणाम परिवर्तनों को ट्रैक करें। परिवर्तन एक नए हमले, एक मॉडल प्रतिगमन, एक कैमरा-विशिष्ट समस्या, या एक ट्रैफिक-मिक्स परिवर्तन का संकेत दे सकते हैं। संस्करणित साक्ष्य को संरक्षित करें ताकि ऐतिहासिक निर्णय व्याख्या योग्य रहें।

सामान्य मूल्यांकन त्रुटियाँ

लाइवनेस को पहचान प्रमाण के रूप में मानना

एक जीवित व्यक्ति किसी और के दस्तावेज या एक सिंथेटिक पहचान का उपयोग कर सकता है। उपस्थिति साक्ष्य को एक विश्वसनीय संदर्भ और अन्य ग्राहक-उचित-परिश्रम नियंत्रणों के साथ जोड़ें।

एक ही शीर्षक संख्या के साथ विक्रेताओं की तुलना करना

भाजक, हमला प्रकार, सीमाओं और वास्तविक-उपयोगकर्ता त्रुटियों के बिना प्रतिशत तुलनीय नहीं हैं। उस सीमा पर ऑपरेटिंग वक्र या परिणाम के लिए पूछें जिसे आप उपयोग करने का इरादा रखते हैं।

इंजेक्शन पथ को अनदेखा करना

कैमरा-फेसिंग PAD और एप्लिकेशन अखंडता संबंधित लेकिन अलग-अलग समस्याओं का समाधान करती हैं। परीक्षण करें कि क्या पूर्वनिर्धारित या उत्पन्न मीडिया अपेक्षित सेंसर पथ को बायपास कर सकता है।

खराब गुणवत्ता को धोखाधड़ी से भ्रमित करना

धुंधलापन, चमक, अवरोध, पहुंच की आवश्यकताएं और कम बैंडविड्थ अनिश्चितता का कारण बन सकते हैं। एक गुणवत्ता पुनः प्रयास में संदिग्ध हमले से अलग संदेश और नीति का उपयोग करना चाहिए।

हर अनिश्चित प्रयास को अवरुद्ध करना

बाइनरी नीति गलत सकारात्मकता बढ़ा सकती है और वास्तविक उपयोगकर्ताओं को बाहर कर सकती है। जोखिम-आधारित पुनः प्रयास, सक्रिय स्टेप-अप, एक और कारक, और प्रशिक्षित समीक्षा अक्सर एक डिटेक्टर को सब कुछ तय करने के लिए मजबूर करने से अधिक सुरक्षित होते हैं।

नामांकन की तुलना में पुनर्प्राप्ति को कमजोर छोड़ना

हमलावर सबसे आसान मार्ग को लक्षित करते हैं। यदि खाता पुनर्प्राप्ति या कारक रीसेट मूल आश्वासन को बायपास करता है, तो मजबूत ऑनबोर्डिंग लाइवनेस खाता जीवनचक्र की रक्षा नहीं करता है।

एक परिनियोजन चेकलिस्ट

लॉन्च से पहले, पुष्टि करें कि:

• संरक्षित कार्रवाई और आवश्यक आश्वासन प्रलेखित हैं;
• प्रेजेंटेशन और इंजेक्शन खतरों को अलग से मॉडल किया गया है;
• परीक्षण परिणाम संस्करणों, सीमाओं, उपकरणों, हमला उपकरणों और भाजक की पहचान करते हैं;
• लाइवनेस, गुणवत्ता और चेहरे के मिलान के परिणाम अलग रहते हैं;
• सत्र और कैप्चर अल्पकालिक, बाउंड और रीप्ले के प्रति प्रतिरोधी हैं;
• पुनः प्रयास, स्टेप-अप, समीक्षा और पुनर्प्राप्ति नीतियों की स्पष्ट सीमाएं हैं;
• पहुंच और निम्न-स्तरीय डिवाइस यात्राओं का परीक्षण किया जाता है;
• लॉग प्रत्येक निर्णय के लिए कारण, साक्ष्य, कॉन्फ़िगरेशन और संस्करण को संरक्षित करते हैं;
• निगरानी हमला प्रकार और उपयोगकर्ता खंड द्वारा परिवर्तनों का पता लगा सकती है;
• गोपनीयता प्रतिधारण और पहुंच नियंत्रण बायोमेट्रिक डेटा की संवेदनशीलता से मेल खाते हैं।

एक पहचान वर्कफ़्लो के भीतर लाइवनेस के लिए Didit का उपयोग करना

Didit प्रति चेक $0.10 पर निष्क्रिय लाइवनेस और प्रति चेक $0.15 पर सक्रिय लाइवनेस प्रदान करता है। इसके सूचीबद्ध प्रमाणपत्रों में iBeta Level 1 PAD शामिल है। टीमें लाइवनेस को ID सत्यापन, चेहरे के मिलान, और डिवाइस और IP विश्लेषण के साथ एक वर्कफ़्लो में जोड़ सकती हैं, फिर यह चुन सकती हैं कि कब पुनः प्रयास करना है, स्टेप-अप करना है, समीक्षा करना है, या रोकना है।

पूर्ण KYC बंडल $0.33 पर सूचीबद्ध है और इसमें ID सत्यापन, निष्क्रिय लाइवनेस, चेहरे का मिलान और IP विश्लेषण शामिल है। वर्तमान मॉड्यूल की कीमतें मूल्य निर्धारण पृष्ठ पर प्रकाशित की जाती हैं। ये उत्पाद तथ्य उपलब्ध नियंत्रणों का वर्णन करते हैं; एक संगठन को अभी भी अपने स्वयं के जोखिम, उपयोगकर्ताओं और नियामक दायित्वों के लिए सीमाएं और समीक्षा नियम निर्धारित करने होंगे।

अक्सर पूछे जाने वाले प्रश्न

क्या लाइवनेस डिटेक्शन चेहरे की पहचान के समान है?

नहीं। लाइवनेस यह अनुमान लगाता है कि क्या बायोमेट्रिक नमूना कैप्चर के समय एक जीवित, उपस्थित व्यक्ति से आया है। चेहरे का मिलान उस नमूने की एक संदर्भ से तुलना करता है ताकि यह अनुमान लगाया जा सके कि क्या वे एक ही व्यक्ति को दर्शाते हैं। कई प्रवाहों को दोनों की आवश्यकता होती है।

प्रेजेंटेशन अटैक डिटेक्शन क्या है?

PAD एक कलाकृति या परिवर्तित विशेषता प्रस्तुत करके सेंसर पर एक बायोमेट्रिक प्रणाली में हस्तक्षेप करने के प्रयासों का स्वचालित पता लगाना है। यह मानकों-उन्मुख शब्द है जो आमतौर पर लाइवनेस नियंत्रणों से जुड़ा होता है।

क्या निष्क्रिय या सक्रिय लाइवनेस बेहतर है?

कोई भी सार्वभौमिक रूप से बेहतर नहीं है। निष्क्रिय विधियाँ आमतौर पर इंटरेक्शन को कम करती हैं, जबकि सक्रिय विधियाँ घर्षण और पहुंच कार्य की कीमत पर चुनौती-प्रतिक्रिया साक्ष्य जोड़ती हैं। एक ही हमला मॉडल, उपयोगकर्ता आबादी, उपकरणों और ऑपरेटिंग नीति के खिलाफ दोनों का मूल्यांकन करें।

क्या लाइवनेस डिटेक्शन डीपफेक को रोक सकता है?

यह कुछ सिंथेटिक-मीडिया हमलों के खिलाफ एक परत हो सकता है, लेकिन यह एक पूर्ण डीपफेक बचाव नहीं है। इंजेक्शन नियंत्रण, विश्वसनीय कैप्चर, फोरेंसिक और स्रोत संकेत, चेहरे का मिलान, प्रासंगिक जोखिम और सुरक्षित पुनर्प्राप्ति आवश्यक बनी हुई है।

APCER और BPCER का क्या अर्थ है?

APCER उन हमला प्रस्तुतियों को मापता है जिन्हें गलत तरीके से वास्तविक के रूप में वर्गीकृत किया जाता है; BPCER उन वास्तविक प्रस्तुतियों को मापता है जिन्हें गलत तरीके से हमलों के रूप में वर्गीकृत किया जाता है। दोनों परीक्षण किए गए हमला प्रकारों और ऑपरेटिंग सीमा पर निर्भर करते हैं।

क्या PAD प्रमाणीकरण इंजेक्शन हमलों को कवर करता है?

स्वचालित रूप से नहीं। प्रमाणीकरण के दायरे को ध्यान से पढ़ना चाहिए। PAD परीक्षण परिभाषित शर्तों के तहत प्रेजेंटेशन हमलों पर केंद्रित है; इंजेक्शन और एप्लिकेशन-पथ बचाव के लिए अलग मूल्यांकन की आवश्यकता हो सकती है।

लाइवनेस का कितनी बार उपयोग किया जाना चाहिए?

उपयोग को कार्रवाई के जोखिम का पालन करना चाहिए। यह नामांकन, पुनर्प्राप्ति, उच्च-जोखिम प्रमाणीकरण, या संवेदनशील लेनदेन पर उचित हो सकता है, लेकिन दोहराया बायोमेट्रिक कैप्चर गोपनीयता और उपयोगकर्ता-अनुभव लागत भी बनाता है।

प्राथमिक संदर्भ

• NIST शब्दावली: प्रेजेंटेशन अटैक डिटेक्शन
• ISO/IEC 30107-1:2023 बायोमेट्रिक प्रेजेंटेशन अटैक डिटेक्शन फ्रेमवर्क
• ISO/IEC 30107-3:2023 PAD परीक्षण और रिपोर्टिंग
• NIST FATE भाग 10: निष्क्रिय, सॉफ्टवेयर-आधारित PAD का प्रदर्शन
• NIST SP 800-63B-4: प्रमाणीकरण और प्रमाणीकरण प्रबंधन
• FIDO Alliance चेहरा सत्यापन प्रमाणीकरण कार्यक्रम

लाइवनेस सबसे अच्छा काम करती है जब इसका दावा संकीर्ण और परीक्षण योग्य रहता है: यह इस बात का सबूत जोड़ता है कि एक बायोमेट्रिक नमूना कैप्चर के समय एक जीवित व्यक्ति से आया है। पहचान, प्राधिकरण और चल रहे जोखिम निर्णयों को उस सबूत के आसपास बनाया जाना चाहिए, न कि उससे अनुमान लगाया जाना चाहिए।