Một mô hình so khớp khuôn mặt có thể nhận ra chính xác khuôn mặt được in trên giấy. Đó không nhất thiết là lỗi của mô hình nhận diện: mức độ giống một danh tính và bằng chứng rằng có một người thật đang đứng trước camera là hai câu hỏi khác nhau. Trong eKYC, chấm công, kiosk và ứng dụng số, hệ thống thường cần cả hai loại tín hiệu.
Liveness detection là thuật ngữ phổ biến cho việc đánh giá ảnh hoặc video có biểu hiện của người sống đang hiện diện hay không. Trong ngữ cảnh an toàn sinh trắc học, thuật ngữ chính xác hơn là Presentation Attack Detection (PAD), tức phát hiện nỗ lực dùng vật thể hoặc phương tiện trình diện để đánh lừa thiết bị thu nhận. Liveness và anti-spoofing liên quan chặt chẽ nhưng không bảo đảm chống mọi cách tấn công.
Hình minh họa khái niệm, không phải kết quả SDK trực tiếp hay cam kết hiệu năng độc lập.
Một cuộc tấn công trình diện trông như thế nào?
Một kẻ tấn công có thể đưa ảnh in của người khác trước camera, dùng màn hình phát video hoặc sử dụng mặt nạ. Mỗi loại vật liệu tạo ra tín hiệu hình ảnh và chuyển động khác nhau, vì vậy mô hình làm tốt với ảnh giấy chưa chắc xử lý tốt mọi kiểu màn hình hay mặt nạ.
Cần phân biệt tấn công trình diện với digital injection, khi đối tượng thay thế hoặc chèn luồng camera ngay trong phần mềm. PAD xử lý ảnh thu nhận từ camera không tự động chống được việc giả luồng đầu vào. Ứng dụng cần kiểm soát tính toàn vẹn thiết bị, đường thu nhận, phiên và xác thực API. Bộ tiêu chuẩn ISO/IEC 30107 cung cấp khung thuật ngữ, đánh giá PAD; không phải một thuật toán chống giả mạo duy nhất cho mọi sản phẩm.
Sơ đồ phân tách tín hiệu liveness/PAD khỏi kết quả so khớp danh tính.
Passive liveness và active liveness
Passive PAD phân tích ảnh hoặc video sẵn có mà không buộc người dùng thực hiện hành động cụ thể. Mô hình có thể khai thác kết cấu bề mặt, dấu vết màn hình, sự không nhất quán giữa các khung hình hoặc tín hiệu khác. Điểm mạnh là trải nghiệm nhanh: người dùng chỉ cần nhìn vào thiết bị.
Active PAD, còn gọi là challenge-response, yêu cầu người dùng thực hiện hành động theo hướng dẫn như xoay đầu hoặc phản hồi một chỉ thị động. Nó có thể cung cấp thêm bằng chứng tương tác nhưng cũng tăng độ trễ, gây khó cho một số người dùng và không tự động chống được replay tinh vi. Một cái chớp mắt hay động tác quay đầu đơn lẻ không chứng minh tuyệt đối rằng đầu vào là người thật.
| Tiêu chí | Passive PAD | Active PAD |
|---|---|---|
| Trải nghiệm | Ít hoặc không có thao tác thêm | Yêu cầu thực hiện hành động |
| Ưu điểm | Thuận tiện, nhanh | Có thêm tín hiệu phản hồi tương tác |
| Rủi ro | Nhạy với chất lượng ảnh và kiểu tấn công mới | Replay, khả năng tiếp cận, thời gian chờ |
| Thích hợp | Xác thực thường xuyên | Một số bước tăng cường theo rủi ro |
Không có phương thức nào luôn tốt hơn. Quyết định phải dựa trên threat model và số liệu kiểm thử phù hợp.
Năm nhóm ứng dụng đáng quan tâm
1. Định danh trực tuyến: PAD có thể được dùng trước hoặc cùng bước đối chiếu khuôn mặt 1:1 với ảnh tham chiếu. Nó không thay thế kiểm tra giấy tờ, kiểm soát gian lận và quyết định eKYC cuối cùng.
2. Chấm công di động: Hệ thống có thể kiểm tra đầu vào có dấu hiệu giả mạo hay không bên cạnh so khớp nhân viên. Cần giảm thao tác thừa và hướng dẫn chụp lại khi ánh sáng hoặc camera không đạt.
3. Kiosk tự phục vụ: Thiết bị đặt ở quầy hoặc lối vào có thể không có người giám sát thường xuyên. Liveness kết hợp hướng dẫn đặt mặt và chính sách xác minh lại giúp giảm một số rủi ro. Kiosk có thể là điện thoại hoặc tablet phổ thông được lắp phù hợp.
4. Giao dịch nhạy cảm: Nền tảng có thể yêu cầu bước face verification có PAD khi đổi thông tin thanh toán hoặc khôi phục tài khoản. Tuy nhiên, vẫn cần xác thực mạnh, phân quyền và kiểm soát giao dịch.
5. Thi trực tuyến: PAD có thể hỗ trợ xác minh danh tính thí sinh trong quy trình được thông báo. Kết quả PAD thấp hoặc lỗi camera không được tự động quy thành hành vi gian lận; phải có đánh giá con người và phương án thay thế.
Đừng gộp mọi điểm số thành một quyết định
Điểm rủi ro PAD và điểm tương đồng face matching không có cùng ý nghĩa hay thang đo. Lấy trung bình hai số thực thường không tạo ra chính sách có cơ sở. Hãy thiết lập cổng chất lượng ảnh, ngưỡng PAD và ngưỡng matching riêng, đồng thời cho phép trạng thái chưa chắc chắn.
Trong đánh giá PAD, các chỉ số như APCER (tỷ lệ chấp nhận sai mẫu tấn công) và BPCER (tỷ lệ từ chối sai người thật) cần được trình bày cùng loại tấn công, dữ liệu và điều kiện thử nghiệm. Không nên công bố một con số liveness làm bằng chứng cho mọi thiết bị.
Thiết kế luồng cho người dùng thực tế
Hướng dẫn camera bằng ngôn ngữ dễ hiểu, giới hạn số lần thử, kiểm tra kính, ánh sáng, màn hình nền và thiết bị cấu hình thấp. Nếu kết quả không đủ tin cậy, ứng dụng phải biết khi nào cần chụp lại, dùng phương thức khác hoặc chuyển đánh giá thủ công. Dữ liệu sinh trắc học cần giới hạn mục đích, thời hạn lưu, phân quyền và cách xóa.
AttFace Core cung cấp lớp PAD để tích hợp
AttFace Core có thành phần xử lý khuôn mặt và liveness trong phạm vi SDK hoặc môi trường triển khai được hỗ trợ. Đối tác cần tự xác định threat model, kiểm định ngưỡng vận hành và xây dựng lớp bảo vệ bên ngoài. Gọi anti-spoofing là một lớp phòng thủ bổ sung chính xác hơn cam kết “không thể vượt qua”.
Đang xây dựng sản phẩm cần chống ảnh in hoặc video phát lại? Xem AttFace Core hoặc trao đổi với AIPractix về đánh giá liveness trong toàn bộ luồng xác thực.
