- Prehod od statičnih goljufij k sintetičnim identitetam, ki jih generira umetna inteligenca, zahteva prehod od enotočkovnega preverjanja k večplastni varnostni orkestraciji.
- Kombinacija pasivnega in aktivnega zaznavanja žive vsebine z analizo integritete kanala in globokih ponaredkov je edini način za ohranjanje visoke varnosti, ne da bi pri tem uničili uporabniško izkušnjo.
- Globalne regulativne spremembe, kot sta zakon EU o umetni inteligenci in opozorila FinCEN, dokumentirano označevanje vsebine z umetno inteligenco in revizijske sledi postajajo pravno nujne za finančna podjetja.
Uradno smo vstopili v divje novo poglavje kraje identitete. Zlobneži ne uporabljajo le boljših različic včerajšnjih trikov; uporabljajo zaradi katerih so staromodne metode, kot so natisnjene fotografije ali protetične maske, videti kot jamska orodja. Prava nevarnost je v prepričanju, da je ena sama plast varnosti čarobna rešitev. V resnici večina prefinjenih poskusov goljufij preprosto preide skozi eno samo preverjanje, kar pomeni, da vaša organizacija v bistvu pušča vrata odklenjena, če nimate robustnejše strategije.
Za tiste, ki odločajo v fintechu in bančništvu, razprava ne govori več o tem, ali so globoke ponaredke resnična grožnja – te so že v nastajanju. Prava uganka je ugotoviti, kaj predstavlja resnično učinkovito večplastno obrambo . Raziskave kažejo, da je za zaustavitev več kot 70 % naprednih poskusov goljufij potrebnih več ovir pri odkrivanju. Če se zanašate le na osnovno preverjanje delovanja ali preprosto ujemanje predloge, hekerjem v bistvu dajete načrt svojih slepih peg, ki jih lahko izkoristijo.
Dilema živahnosti: Zakaj en korak ni dovolj
Aktivno zaznavanje živahnosti – veste, tisto, kar vas prosi, da pomežiknete, se nasmehnete ali obrnete glavo – je bilo prvotno zasnovano za preprečevanje »napadov predstavitve«, kot je držanje fotografije. Čeprav je odlično za preprečevanje statične slike, lahko sodobni sintetični mediji zdaj posnemajo mikroizraze in se odzivajo na sistemske pozive v realnem času. Težava ni v tem, da je tehnologija pokvarjena, ampak v tem, da išče odzivnost namesto dejanske pristnosti. Poleg tega siljenje uporabnikov v rutino gibov, ki spominjajo na skakanje s kolebnico, ustvarja ogromno trenje, kar pogosto vodi do stopnje dokončanja, ki znaša le 60 %.
Tukaj pride v poštev pasivna živahnost. Že samo s selfijem brez gimnastike so uporabniki zadovoljni, stopnja dokončanja pa lahko preseže 95 % . Vendar pa lahko visokokakovostna umetna inteligenca še vedno prelisiči pasivno živahnost. Da bi stvari resnično zaklenili, potrebujete kombinacijo. Sistem, ki združuje pasivna preverjanja z analizo globokega vbrizgavanja in integriteto kanala, zagotavlja, da je oseba na drugi strani pravi človek, ne pa digitalno upodobljena lutka.
Deepfake zaznavanje in igra »mačke in miši«
Namenski detektorji globokih ponaredkov so impresivni tehnološki kosi. Iščejo artefakte stiskanja, čudne teksture kože, nenaravne gibe oči in tiste drobne napake, ki se pojavijo, ko umetna inteligenca poskuša zamenjati obraz. Nekatera od teh orodij se ponašajo z 99-odstotno stopnjo natančnosti v primerjavi z znanimi mehanizmi umetne inteligence. Vendar je tukaj ulov: dobri so le toliko, kolikor so dobri podatki, na katerih so bili usposobljeni. Ker nova generativna orodja umetne inteligence izidejo vsakih nekaj tednov , obstaja stalno tveganje, da detektor bije včerajšnjo vojno.
Zanašanje izključno na detektor globokih ponaredkov ustvarja tudi specifično slepo pego. Na primer, obsežna phishing kampanja lahko uporabi 3,000 napadov z injekcijo, pri čemer so nekateri globoki ponaredki, drugi pa le pametne modifikacije. Če vaš ščit išče samo obraze, ki jih ustvari umetna inteligenca, boste popolnoma spregledali druge vektorje napada . Zato je pristop »točkovne rešitve« tveganje, ki si ga v profesionalnem okolju ne morete privoščiti.
Izvajanje večplastne obrambne strategije
Za zaustavitev prefinjenega napadalca potrebujete varnostni sklad, ki deluje na treh kritičnih območjih: zajem, prenos in primerjava. Zaznavanje na točki zajemanja je tisto, kjer se prepoznajo označevalci pasivne živosti in globokega ponarejanja. Če sistem pogleda šele končno sliko po tem, ko je poslana, spregleda ključne vedenjske in časovne podatke, ki se zgodijo med dejanskim postopkom snemanja.
- Zaznavanje tranzita: Gre za pot med uporabnikovim telefonom in vašim strežnikom. Zagotavlja, da vsebina ni bila prestrežena ali zamenjana z uporabo preverjanje integritete kanala, s čimer se ustavijo napadi z injekcijami, ki v celoti zaobidejo kamero.
- Primerjalno zaznavanje: Ta plast preverja, ali identiteta ustreza znanim vzorcem goljufij. Ne gre za to, ali je video ponarejen, temveč za to, ali splošno vedenje pri oddaji je sumljivo ali se ujema z znano goljufivo predlogo.
Ko te plasti delujejo skupaj, ustvarijo varnostno mrežo. Goljuf lahko ustvari sintetični videoposnetek, ki zavede preverjanje žive identitete, vendar bo pri tem izpustil oznake globokega ponarejanja ali preverjanje integritete kanala . Če jim uspe skriti artefakte umetne inteligence, morda še vedno ne bodo uspeli pri primerjavi predlog. Z ločitvijo teh plasti matematično zmanjšate verjetnost, da bi lažna identiteta prestala prav vsak preizkus.
Vzpon sintetičnih identitet v financah
V finančnem sektorju smo priča pojavu »sintetičnih identitet«. To niso le lažni ljudje; to so Frankensteinove identitete, ustvarjene z mešanjem resnično ukradenih podatkov (kot je prava EMŠO) z izmišljenimi informacijami in obrazi, ustvarjenimi z umetno inteligenco. To kriminalcem omogoča odpiranje računov, zavarovanje posojil in prenašanje denarja, še preden sistem sploh ugotovi, da oseba ne obstaja. Nekatera poročila kažejo, da se je število goljufij z uporabo ponaredkov v fintech sektorju povečalo za 700 %.
Staro pravilo »videti pomeni verjeti« je uradno mrtvo. Ker lahko umetna inteligenca zdaj klonira glas z nekaj sekundami zvoka ali ustvari hiperrealističen videoposnetek, se banke preusmerjajo k orkestraciji signalov . Namesto da bi zaupale ujemanju obrazov, analizirajo integriteto naprave, uporabnikove navigacijske vzorce in kontekst seje. Če so uporabnikovi biometrični podatki videti popolni, vendar uporablja emulator naprave ali sumljiv IP-naslov , sistem to označi kot tveganje ne glede na to, kako »resničen« je obraz.
Navigacija po globalnem regulativnem minskem polju
Skladnost ni več le kljukanje polj; postaja zapletena pravna zahteva. Zakon EU o umetni inteligenci (natančneje člen 50) bo kmalu zahteval jasno označevanje sintetičnih vsebin, z ogromnimi globami za tiste, ki tega ne bodo upoštevali. V ZDA je FinCEN že opozoril, da so tipologije globokih ponaredkov pomembno tveganje za finančne institucije. To pomeni, da potrebujete podrobne revizijske sledi in dnevnike modelov z nadzorom različic, da regulatorjem dokažete, da se dejansko borite proti goljufijam.
Poleg tega zakoni o shranjevanju podatkov (kot so tisti v Savdski Arabiji, ZAE ali Indoneziji) pomenijo, da preprosta rešitev SaaS v oblaku ni vedno zakonita. Organizacije v teh regijah potrebujejo lokalni oblak ali uvedbe na lokaciji , da ohranijo podatke znotraj nacionalnih meja. Izbira ponudnika, ki je lastnik celotnega tehnološkega sklada – od optičnega prepoznavanja znakov (OCR) do funkcionalnosti – namesto orkestriranja kupa vtičnikov tretjih oseb, znatno skrajša časovni zamik med pojavom nove grožnje in uvedbo popravka.
Ocenjevanje pravih orodij za delo
Vsa orodja za zaznavanje niso enaka. Pri izbiri rešitve bi moral biti zlati standard certifikat iBeta stopnje 3 (ISO/IEC 30107-3). Ta potrjuje odpornost sistema na ponarejanje v nadzorovanem laboratoriju. Če ima ponudnik samo certifikat stopnje 2 ali ga nima, vas v bistvu prosi, da mu verjamete na besedo. Prav tako se želite prepričati, da orodje podpira večmodalno zaznavanje , kar pomeni, da lahko hkrati obravnava video, zvok in dokumente.
Različne poslovne potrebe zahtevajo različna orodja. Visoko tvegani sektorji, kot sta kriptovalute ali spletne igre na srečo, potrebujejo najagresivnejše, večplastne biometrične zidove . Medtem pa bodo pravne ekipe ali forenzični preiskovalci morda potrebovali orodja za »poglobljeno analizo«, ki ustvarjajo poročila, pripravljena za sodišče, namesto preverjanj v realnem času. Ključno je, da orodje uskladite s specifično površino napada, ki jo branite.
Izgradnja odpornega ogrodja identitete zahteva premik od binarne logike »uspešno/neuspešno« k verjetnostnemu točkovanju tveganja . Z integracijo pasivne živahnosti, varnosti kanalov in stalnega spremljanja vedenja lahko podjetja ohranijo nemoten proces uvajanja za resnične ljudi, hkrati pa lutkam umetne inteligence onemogočijo preboj. Konec koncev, ohranjanje prednosti pomeni obravnavanje digitalnega zaupanja kot dinamičnega procesa nenehnega prilagajanja in ne kot statičnega zidu.
