合成身份与生成式AI：身份验证面临的新威胁
生成式AI正使合成身份欺诈变得更加复杂且难以检测。本文探讨了这些先进的AI模型如何被用于创建令人信服的虚假身份，以及企业可以采取哪些措施来应对。
生成式AI的出现极大地加剧了合成身份欺诈的威胁，因为它能够创建高度可信但完全虚假的身份。这项技术允许欺诈者生成逼真的个人详细信息、图像甚至行为模式，使得传统的身份验证方法越来越容易受到攻击。
什么是合成身份欺诈？
合成身份欺诈是指欺诈者结合真实和虚假的个人信息来创建一个不属于任何真实人物的“新”身份。然后，这个合成身份被用来开设账户、获取贷款或实施其他金融犯罪。与传统的身份盗窃不同，身份盗窃是欺诈者冒用现有人的身份，而合成身份欺诈则创建了一个“幽灵”身份，可以随着时间的推移进行培养，使其看起来合法。
历史上，创建这些身份是一个手动且通常不完善的过程，限制了此类攻击的规模和复杂性。然而，生成式AI的出现彻底改变了这一局面。
生成式AI如何助长合成身份欺诈
生成式AI模型，例如生成对抗网络（GANs）和大型语言模型（LLMs），旨在创建通常与真实数据无法区分的新内容。在欺诈的背景下，这意味着：
1. 用于活体检测和证件检查的超逼真深度伪造
生成式AI可以生成高度逼真的深度伪造图像和视频，模仿真实人物。这直接威胁到依赖面部识别和活体检测的身份验证过程。欺诈者可以使用这些深度伪造来绕过开户或交易认证期间的生物识别检查。例如，深度伪造视频可以模拟眨眼、头部运动甚至说话，欺骗旨在确保真实人物在场的活体检测系统。
2. 伪造的个人信息和文件
LLMs可以生成看似一致且合法的合理姓名、地址、社会安全号码（SSN）和其他个人数据。此外，AI可以用于创建虚假的水电费账单、银行对账单和政府身份证件，这些文件可以通过初步的视觉检查。这些文件，包括逼真的字体、徽标和布局，使得人工审查员甚至一些自动化系统难以区分它们与真实文件。
3. 复杂的行为模仿
除了静态数据，生成式AI还可以通过大量人类行为数据集进行训练，以模拟真实的用户交互。这意味着合成身份可以表现出典型的浏览模式、电子邮件通信风格，甚至交易历史，使得欺诈检测系统更难标记异常活动。这使得欺诈者能够“培养”合成身份，随着时间的推移建立信用历史和声誉，使其看起来更值得信赖。
4. 欺诈操作的可扩展性和自动化
合成身份生成式AI最显著的影响可能是自动化和扩展欺诈操作的能力。欺诈者不再一次创建一个虚假身份，而是可以利用AI同时生成数百甚至数千个独特的合成身份，每个身份都有一套令人信服的详细信息和支持文件。这大大增加了潜在攻击的数量，并使传统的S人工审查过程不堪重负。
身份验证面临的不断演变的挑战
合成身份生成式AI的兴起给企业带来了几个关键挑战：
- 检测困难：传统的验证方法可能不足。仅仅依靠证件检查或简单的活体检测会使组织容易受到AI生成的虚假信息的攻击。
- 增加的误报/漏报：过于激进的欺诈检测可能导致合法客户被拒绝（误报），而复杂的合成身份则会漏网（漏报）。
- 声誉和财务损失：成功的合成身份攻击可能导致重大的财务损失、监管罚款以及公司声誉受损。
- 动态威胁环境：AI模型不断改进，这意味着欺诈检测策略也必须迅速发展以跟上步伐。
打击合成身份生成式AI的策略
为了有效对抗合成身份生成式AI带来的威胁，组织需要采取多层次、适应性强的身份验证和欺诈检测方法。
1. 先进的生物识别活体检测
实施超越简单面部动作的活体检测解决方案。这些系统应使用先进的技术，如被动活体检测、深度伪造检测算法和呈现攻击检测（PAD），以区分真实人物和AI生成的深度伪造。例如，Didit符合iBeta Level 1 PAD标准，确保了针对复杂呈现攻击的高标准保护。
2. 多源数据验证
不要依赖单一数据点，而应通过多个独立数据源验证身份。这包括交叉引用政府数据库、信用机构、公用事业提供商和电信记录等信息。这些来源之间的数据不一致或缺乏相互印证的证据可能是合成身份的有力指标。Didit的身份和欺诈基础设施连接到1,000多个数据源，实现了全面的验证。
3. 行为分析和机器学习
利用机器学习模型分析整个身份生命周期中的用户行为模式。寻找应用程序数据、设备指纹、IP地址和交易行为中的异常情况，这些可能表明存在合成身份。这些模型可以检测到人工审查员可能遗漏的细微模式，尤其是在身份正在“培养”时。
4. 文件真实性验证
采用先进的文件验证技术，可以检测出篡改或伪造的细微迹象，例如字体、安全特征和全息元素的S不一致。这包括带有AI驱动异常检测的光学字符识别（OCR），以及用于电子护照和其他合规文件的NFC（近场通信）芯片读取。
5. 持续监控和自适应风险评分
身份验证并非一次性事件。实施对客户账户和交易的持续监控。使用基于新信息和不断变化的威胁模式进行更新的自适应风险评分。这使得即使在账户开立后也能检测到可疑活动，这对于捕获正在培养的合成身份至关重要。对于企业而言，这包括交易监控和钱包筛选（了解您的交易/KYT）功能。
6. 协作和威胁情报共享
随时了解新兴的欺诈趋势，并与行业同行和监管机构共享情报。欺诈格局不断变化，集体知识是有效的防御手段。
主要结论
- 生成式AI是合成身份欺诈的倍增器，能够创建高度逼真的虚假身份并扩展欺诈操作。
- 传统的身份验证方法在AI驱动的攻击面前越来越不足。
- 多层防御至关重要，结合了先进的活体检测、多源数据验证、行为分析和持续监控。
- 紧跟欺诈和欺诈预防方面的技术进步对于保护至关重要。
常见问题
问：合成身份欺诈与传统身份盗窃的主要区别是什么？
答：合成身份欺诈通过结合真实和虚假数据创建了一个新的、虚构的身份，而传统身份盗窃则涉及欺诈者冒充一个现有的真实人物。
问：深度伪造可以绕过所有活体检测系统吗？
答：虽然生成式AI可以创建复杂的深度伪造，但先进的活体检测系统，特别是那些符合iBeta Level 1 PAD标准的系统，旨在检测呈现攻击并区分真实人物和深度伪造。
问：持续监控如何帮助对抗合成身份欺诈？
答：持续监控有助于检测账户随时间推移的可疑行为或变化，这对于识别正在“培养”或用于欺诈性交易的合成身份至关重要，即使在初始开户之后。
问：身份验证对AI驱动的欺诈仍然有效吗？
答：是的，但这需要更复杂、多方面的方法。仅仅依靠单一的验证方法已不再足够；相反，需要结合先进的生物识别技术、多源数据验证和行为分析。
问：Didit在打击合成身份生成式AI威胁方面扮演什么角色？
答：Didit提供身份和欺诈基础设施，集成了1,000多个数据源和开放的模块市场，提供可靠的用户验证（了解您的客户/KYC）和企业验证（了解您的企业/KYB）功能。这使得企业能够实施先进的活体检测、多源数据验证和持续交易监控，以检测和预防合成身份欺诈。我们的公共按使用量付费定价，完整的身份验证起价为0.30美元，每月提供500次免费检查，使得这些先进的防御措施变得可及。
开始使用 Didit
Didit 是身份和欺诈的基础设施——一个 API，公共按使用量付费定价，每月 500 次免费验证。将用户验证添加到您的流程中，并在 5 分钟内完成集成。