Güvenli Belgelerde Yüz Morphing Saldırıları ve AI ile Tespit Mimarisi

Yüz morphing saldırısı, iki veya daha fazla kişinin portre özelliklerinin tek bir başvuru fotoğrafında birleştirilmesidir. Amaç, ortaya çıkan fotoğrafın hem gerçek başvuru sahibiyle hem de işbirliği yaptığı başka biriyle yüz tanıma sisteminde yeterli benzerlik üretmesidir. Böyle bir fotoğrafla düzenlenen gerçek bir pasaport fiziksel ve kriptografik kontrolleri geçebilir; problem belgenin sahte olması değil, belgeye kaydedilen biyometrik referansın baştan hatalı olmasıdır.

NIST, özellikle başvuru sahibinin kendi fotoğrafını yükleyebildiği ve fotoğrafın dijital geçmişinin bilinmediği süreçlerde riskin yükseldiğini vurgular. En güçlü önlem, fotoğrafı düzenleyen makamın denetimindeki güvenilir bir istasyonda canlı olarak çekmektir. Bu mümkün değilse morphing attack detection, başvuru ve sınır kontrol süreçlerine ayrı görevlerle eklenmelidir.

İki farklı tespit senaryosu

Single-image MAD (S-MAD)

Başvuru ofisinde yalnızca şüpheli portre incelenir. Model; yüz çevresindeki blending izleri, çift kenarlar, tutarsız doku, lokal frekans farklılıkları ve üretim zincirinden kalan artefaktları arar. S-MAD, saldırganın kullandığı morph üretim yöntemine ve görüntünün sonradan yeniden sıkıştırılmasına karşı hassas olabilir.

Differential MAD (D-MAD)

Sınır kapısında çipteki referans portre ile güvenilir canlı yakalama birlikte değerlendirilir. Yüz eşleştirme skorunun yanı sıra iki görüntü arasındaki kimlik tutarlılığı ve morph göstergeleri analiz edilir. Canlı görüntünün güvenilirliği için presentation attack detection ve kontrollü capture ayrıca gereklidir.

Önerilen operasyon mimarisi

1. Başvuru fotoğrafında ICAO portre kalite kontrollerini uygulayın.
2. Fotoğrafın kaynağını ve capture yöntemini kaydedin.
3. S-MAD skorunu bağımsız bir risk sinyali olarak üretin.
4. Yeni kayıt ve yenilemede 1:N aramayla aynı portrenin birden fazla kimlikle ilişkisini araştırın.
5. Sınır kontrolünde çip portresiyle canlı görüntü üzerinden D-MAD çalıştırın.
6. Eşik üzerindeki olayları eğitimli uzman incelemesine yönlendirin.

Tek bir model skoru otomatik ret gerekçesi olmamalıdır. Model sürümü, capture cihazı, kalite metrikleri ve inceleme sonucu birlikte saklanmalıdır.

Python ile örnek karar orkestrasyonu

from dataclasses import dataclass
from enum import Enum

class Decision(str, Enum):
    PASS = "PASS"
    REVIEW = "REVIEW"
    REJECT = "REJECT"

@dataclass
class MorphSignals:
    single_image_mad: float
    differential_mad: float | None
    face_match: float | None
    capture_trusted: bool
    quality_ok: bool

def decide(s: MorphSignals) -> Decision:
    if not s.quality_ok:
        return Decision.REVIEW

    # Güvenilmeyen başvuru fotoğrafında daha sıkı inceleme.
    if not s.capture_trusted and s.single_image_mad >= 0.55:
        return Decision.REVIEW

    # D-MAD ve face match farklı görevlerdir.
    if s.differential_mad is not None:
        if s.differential_mad >= 0.60:
            return Decision.REVIEW
        if s.face_match is not None and s.face_match < 0.45:
            return Decision.REVIEW

    return Decision.PASS

Buradaki eşikler örnektir; gerçek sistemde bağımsız test verisi, hedef yanlış kabul oranı, demografik performans ve operasyon maliyetiyle kalibre edilmelidir.

Sonucu nasıl yakalamalıyız?

{
  "documentId": "opaque-reference",
  "captureTrusted": false,
  "quality": "PASS",
  "singleImageMad": {"score": 0.71, "model": "smad-2.3"},
  "differentialMad": null,
  "decision": "REVIEW",
  "reasonCodes": ["UNTRUSTED_CAPTURE", "SMAD_THRESHOLD"],
  "humanReview": "PENDING"
}

Performans ve güvenlik ölçümü

Morph detector yalnızca genel accuracy ile ölçülmemelidir. Bona fide fotoğrafların yanlış alarm oranı, farklı morph üretim yöntemlerindeki yakalama oranı, baskı/tarama ve JPEG sıkıştırması sonrası performans, farklı cihazlar ve demografik gruplar ayrı raporlanmalıdır. Yeni saldırı tekniği ortaya çıktığında modelin genelleme kabiliyeti yeniden değerlendirilmelidir.

Yüz görüntüleri biyometrik veridir. Ham fotoğrafların erişimi sınırlandırılmalı, saklama süresi belirlenmeli ve model geliştirme ortamına üretim verisi kontrolsüz taşınmamalıdır.

Sonuç

Morphing saldırısına karşı en etkili savunma, güvenilir fotoğraf capture sürecidir. AI tabanlı S-MAD ve D-MAD bu süreci tamamlayan risk sensörleridir. Güvenli uygulama; fotoğraf kalitesi, 1:N arama, canlılık, yüz eşleştirme, morph tespiti ve uzman incelemesini açıklanabilir bir karar akışında birleştirir.

Referanslar

• NISTIR 8584 — Considerations for Implementing Morph Detection in Operations
• NISTIR 8430 — Utility of 1:N Face Recognition for Morph Detection