Casting the Net! Revisiting MasterFace Impersonation Attacks
本文表明，攻击者可以利用公开的商业 API，基于 MasterFaces 构建“NET”攻击，在仅 30 次尝试内，成功将现代人脸识别系统的冒充率提升至标准误识率的 9.5 倍。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走入一栋高安全性建筑，而取代钥匙或密码的是保安对你面部的检查。这就是人脸识别系统（FRSs）的工作原理：它们拍摄你的照片，将其转化为一段秘密的数学代码（即“模板”），然后检查该代码是否与存档中的信息相匹配。多年来，安全专家一直认为这些系统对于随机陌生人的潜入是安全的。他们认为唯一的真实风险是“零努力冒充者”——即那些恰好长得有点像其试图欺骗的目标人物的人，这有点像通过猜中正确数字来赢得彩票。如果你不费力气去破解系统，你成功的概率几乎为零。但是，如果有一种方法可以撒下一张大网，不仅能捕捉到一张脸，而是同时捕捉到许多不同的脸，而且不需要知道秘密代码或闯入建筑呢？这就是研究人员在网络安全和生物识别领域所提出的问题，其目标是理解这些数字锁是如何被撬开的，即使是在有人遵守规则的情况下。
在一项名为“撒网！重新审视 MasterFace 冒充攻击”的新研究中，来自韩国汉阳大学的研究人员发现了一种打破这种“零努力”安全屏障的巧妙方法。他们发现，即使攻击者不知道他们试图冒充的具体面孔，他们仍然可以通过购买与建筑物所使用的相同的公共人脸扫描工具来欺骗系统。可以这样想：假设一名保安使用特定的应用程序来检查身份证件。研究人员意识到，任何人都可以购买同一个应用程序，并向它询问无数次：“脸部 A 与脸部 B 有多相似？”通过提出足够多的问题，他们甚至无需看到内部的秘密代码，就能绘制出系统所识别的所有面部的“形状”。
团队利用这些信息创建了他们所谓的“MasterFace”（大师脸）。过去，科学家们试图通过在黑暗中盲目猜测来制造这些“超级面孔”，但通常在面对现代智能系统时都会失败。这篇论文表明，通过利用公共应用程序来绘制系统的“面部空间”地图，攻击者可以构建一组特殊的面孔（即一张“网”），从而覆盖该地图的巨大区域。这就像是在一个池塘里撒下一张渔网，池塘里的鱼（真实的脸）聚集在某些特定位置。攻击者并不是试图捕捉某一条特定的鱼，而是设计了一张旨在捕捉任何恰好游过的鱼的网。
结果令人惊讶地有效。在实验中，研究人员针对几种现实世界中的人脸识别系统进行了测试，包括开源模型和亚马逊的一项主要商业服务。他们发现，只需几次尝试（5 到 30 次尝试），他们的“网”就能比随机陌生人更频繁地欺骗系统。在某些情况下，他们的成功率比安全标准通常预期的要高出 9.5 倍。例如，如果一个系统设计的标准是让随机陌生人进入的概率仅为 1 万分之一，那么这种新方法在相同尝试次数下，可能让其成功率接近 1 万分之 10。
论文谨慎地指出，这并不意味着什么。这并不意味着任何人都可以走到摄像头前并瞬间变成任何人。这种攻击要求攻击者购买与目标相同的商业软件，这需要花费资金（研究人员估计测试预算约为 100 美元），并且它依赖于系统是构建在这些公共工具之上的这一事实。研究人员也排除了旧的、简单的技巧在现代系统上奏效的可能性；他们展示了旧方法会失效，但这种新的“网”方法之所以奏效，是因为它利用了系统自身的公共工具。
那么，这告诉了我们什么？它表明人脸识别的安全性可能比我们想象的更加脆弱，并不是因为锁坏了，而是因为钥匙正在卖给所有人。如果一栋建筑使用流行的、公共的人脸扫描服务，攻击者可以购买同样的这项服务，研究它如何看待面部，并制作出一个符合该锁的“MasterFace”。研究人员并不是说世界末日到了，而是警告我们，需要更加小心地对待我们所透露的关于使用哪些工具来锁门的信息。他们已经发布了一个小型且安全的版本代码，以便其他科学家可以研究这个问题，但他们隐瞒了危险的部分以防止滥用。最终，这篇论文复兴了一个旧的概念——“MasterFace”，并展示了通过一点数学知识和一张信用卡，它可能比我们意识到的更加危险。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。