স্মার্টফোন প্রমাণীকরণ, ব্যাংকিং এবং নজরদারিতে বর্তমান নিরাপত্তা ব্যবস্থার একটি গুরুত্বপূর্ণ স্তম্ভ হয়ে উঠেছে মুখের স্বীকৃতি। তবে, মুখের স্বীকৃতির ক্রমবর্ধমান প্রয়োগের সাথে সাথে, স্পুফিং আক্রমণের সম্ভাবনা বৃদ্ধি পায়, যার ফলে প্রতারকরা মুখের স্বীকৃতি ব্যবস্থাকে বাইপাস করার জন্য কৃত্রিম বায়োমেট্রিক ইনপুট ব্যবহার করে। অ্যান্টি-স্পুফিং প্রযুক্তিগুলি এই সমস্যার সবচেয়ে কার্যকর প্রতিকার হিসাবে আবির্ভূত হয়েছে, এটি নিশ্চিত করে যে কেবলমাত্র একজন জীবিত মানুষই নিরাপদ ব্যবস্থার মধ্য দিয়ে যেতে পারে।
ফেস অ্যান্টি-স্পুফিংয়ের গুরুত্ব
ফেস অ্যান্টি-স্পুফিং বলতে বোঝায় অ্যান্ড্রয়েড/উইন্ডোজ অ্যাপ্লিকেশন বা গেমগুলিতে পরিচয়ের প্রমাণ হিসেবে ছবি, ভিডিও বা মাস্ক গ্রহণের জন্য ভিজ্যুয়াল রিকগনিশন সিস্টেমকে ফাঁকি দেওয়ার প্রচেষ্টা সনাক্তকরণ এবং ব্লক করার পদ্ধতি। পরিচয় যাচাইকরণ, অর্থপ্রদান অনুমোদন এবং জনসাধারণের সুরক্ষার জন্য ফেসিয়াল রিকগনিশন সিস্টেমের দ্রুত বর্ধনশীল ব্যবহারের সাথে সাথে, এটি ক্রমশ গুরুত্বপূর্ণ হয়ে উঠছে।
স্মার্টফোন আনলক করা অথবা ব্যাংকিং অ্যাপে লগ ইন করা।
নিরাপদে লেনদেন অনুমোদন করা।
জনসাধারণের এলাকা পর্যবেক্ষণ করুন।
তবে, মুখের স্বীকৃতির প্রসারের সাথে সাথে, অপরাধীরা সেই সিস্টেমগুলিতে মনোযোগ কেন্দ্রীভূত করেছে। এটি একটি বড় ঝুঁকি হয়ে ওঠে কারণ আক্রমণকারীরা সিস্টেমকে প্রতারণা করার চেষ্টা করার সময় মিথ্যা বায়োমেট্রিক নমুনা উপস্থাপন করতে পারে, যা উপস্থাপনা আক্রমণ নামে পরিচিত। পরিচয় চুরি, আর্থিক কেলেঙ্কারী, অথবা স্বাস্থ্যসেবা বা সীমান্ত নিয়ন্ত্রণের মতো সংবেদনশীল ক্ষেত্রগুলিকে বিপদে ফেলার সম্ভাবনা দেখা দিতে পারে।
এই চ্যালেঞ্জগুলির একটি মূল সমাধান হিসেবে জীবন্ততা সনাক্তকরণ আবির্ভূত হয়েছে। স্ট্যাটিক বা পূর্ব-রেকর্ড করা উপস্থাপনার পরিবর্তে ইনপুটটি একজন জীবিত ব্যক্তির কাছ থেকে এসেছে কিনা তা যাচাই করে, জীবন্ততা সনাক্তকরণ মুখের স্বীকৃতি ব্যবস্থায় সুরক্ষার একটি অপরিহার্য স্তর যুক্ত করে।
উপস্থাপনা আক্রমণ বোঝা
উপস্থাপনা আক্রমণে ভুয়া ইনপুট ব্যবহার করে বায়োমেট্রিক সিস্টেমকে প্রতারণা করার প্রচেষ্টা জড়িত। এই আক্রমণগুলি ঐতিহ্যবাহী মুখের স্বীকৃতি সিস্টেমের দুর্বলতাগুলিকে কাজে লাগায়, যা জীবন্ততা যাচাই না করেই কেবল বৈশিষ্ট্যের মিলের উপর দৃষ্টি নিবদ্ধ করে।
উপস্থাপনা আক্রমণের প্রকারভেদ
এখানে উপস্থাপনা আক্রমণের কিছু সাধারণ ধরণ দেওয়া হল:
এর মধ্যে রয়েছে সিস্টেমকে বোকা বানানোর জন্য একজন ব্যক্তির উচ্চ-রেজোলিউশনের ছবি ব্যবহার করা। প্রায়শই, এই প্রিন্টগুলি ত্বকের বৈশিষ্ট্যের সাথে সাদৃশ্যপূর্ণ করার জন্য স্তরিত বা টেক্সচারযুক্ত করা হয়।
এই পদ্ধতিতে, কারো ছদ্মবেশ ধারণ করার জন্য কিছু পূর্ব-রেকর্ড করা ভিডিও বা ডিজিটাল ছবি স্ক্রিনে প্রদর্শিত হয়।
এই আক্রমণগুলিতে মুখের আকৃতি প্রতিলিপি করার জন্য সিলিকন বা ল্যাটেক্সের মতো উপকরণ দিয়ে তৈরি 3D মাস্ক ব্যবহার করা হয়।
কিছু বাস্তব উদাহরণ এই আক্রমণগুলির সমস্যাগুলি প্রদর্শন করে:
- ২০২৩ সালে, প্রতারকরা ওয়েলফেয়ার পোর্টালগুলিকে এড়িয়ে যাওয়ার জন্য মুদ্রিত ছবি ব্যবহার করেছিল যেখানে কোনও ব্যক্তির উপস্থিতি পরিমাপ করার জন্য কোনও গভীরতা সংবেদন ছিল না।
- ব্যাংকিং ব্যবস্থায়, রিপ্লে আক্রমণে দূরবর্তী পরিচয় যাচাইকরণ প্রক্রিয়ার সময় পূর্বে রেকর্ড করা ভিডিও দেখা গেছে।
- মুখোশধারী আক্রমণগুলি বেশ জটিল হয়ে উঠছে; ইউরোপোল হাইপার-রিয়েলিস্টিক মুখোশ ব্যবহার করে সীমান্ত লঙ্ঘনের সংখ্যা বৃদ্ধির কথা জানিয়েছে।
ফেস লাইভনেস ডিটেকশন কী?
জীবন্ততা সনাক্তকরণ এমন একটি প্রযুক্তি যা যাচাই করে যে উপস্থাপিত মুখটি কোনও জীবিত ব্যক্তির, কোনও জাল উৎসের নয়। এটি গতি বা টেক্সচারের মতো গতিশীল বৈশিষ্ট্য বিশ্লেষণ করে আসল ব্যবহারকারী এবং জাল ইনপুটের মধ্যে পার্থক্য করে।
ঐতিহ্যবাহী মুখের স্বীকৃতি এবং অ্যান্টি-স্পুফিং সিস্টেমের মধ্যে মূল পার্থক্য
- ঐতিহ্যবাহী মুখ শনাক্তকরণ মুখের বৈশিষ্ট্যগুলির সাথে কাজ করে এবং সেগুলিকে সংরক্ষিত টেমপ্লেটগুলির সাথে মেলানোর চেষ্টা করে।
- অ্যান্টি-স্পুফিং সিস্টেমগুলি ব্লিঙ্কিংয়ের মতো শারীরবৃত্তীয় সূচক এবং টেক্সচারের মতো উপাদানগত বৈশিষ্ট্য কৌশল ব্যবহার করে জীবন্ততার জন্য যাচাইয়ের একটি অতিরিক্ত স্তর যুক্ত করে।
প্রাণবন্ততা সনাক্তকরণ কৌশল
আধুনিক অ্যান্টি-স্পুফিং সিস্টেমগুলি একে অপরের থেকে এমন বৈশিষ্ট্যের মধ্যে আলাদা যা তারা জীবন্ত মুখগুলিকে স্পুফড উপস্থাপনা থেকে আলাদা করতে ব্যবহার করে:
টেক্সচার বিশ্লেষণ
এই পদ্ধতিতে, মুখের পৃষ্ঠের বৈশিষ্ট্যগুলি অসঙ্গতি পরীক্ষা করার জন্য পাওয়া যায় যা প্রতারণার প্রচেষ্টার প্রমাণ দেখায়। উদাহরণস্বরূপ:
- মুদ্রিত ছবিতে প্রায়শই মানুষের ত্বকের প্রাকৃতিক গঠন থাকে না।
- ডিজিটাল স্ক্রিনে পিক্সেলেশন বা অস্বাভাবিক মসৃণতা দেখাতে পারে।
গতি বিশ্লেষণ
এই পদ্ধতিগুলি হল অনিচ্ছাকৃত নড়াচড়া, যেমন চোখের পলক ফেলা বা মাথার সূক্ষ্ম কাত হওয়া, শনাক্ত করা। এই ধরনের প্রাকৃতিক গতি স্থির চিত্রের নির্ভুলতার সাথে খুব কমই প্রতিলিপি করা হয়।
গভীরতা সনাক্তকরণ
গভীরতা-সংবেদনশীল প্রযুক্তির সাহায্যে, ইনফ্রারেড সেন্সর বা কাঠামোগত আলো ব্যবহার করে মুখের 3D কাঠামো ম্যাপ করা হয়। এই কৌশলটি সহজেই সমতল পৃষ্ঠ (যেমন ছবি) এবং গভীরতা সহ প্রকৃত মুখের মধ্যে পার্থক্য করতে পারে।
টেম্পোরাল অ্যানালাইসিস
টেম্পোরাল বিশ্লেষণ হল ভিডিওতে সিরিয়াল ফ্রেমের বিশ্লেষণ যা কিছু সময়ের মধ্যে রিপ্লে আক্রমণের ইঙ্গিত দেয় এমন অসঙ্গতিগুলি সনাক্ত করে। উদাহরণস্বরূপ, স্ক্রিনের ঝাঁকুনি বা লুপগুলি প্রমাণীকরণের প্রচেষ্টার সময় ডিজিটাল ডিসপ্লের ব্যবহার নির্দেশ করতে পারে।
গভীর শিক্ষার পদ্ধতি
ডিপ লার্নিং মডেল, যা বৃহৎ ডেটাসেটের মাধ্যমে প্রশিক্ষিত করা যেতে পারে, সাধারণত উচ্চ নির্ভুলতার সাথে ইনপুটগুলিকে আসল বা নকল হিসাবে শ্রেণীবদ্ধ করে। উদাহরণস্বরূপ: কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN) ত্বকের গঠন বা গতি গতিবিদ্যার মতো জটিল বৈশিষ্ট্য বিশ্লেষণ করে।
ফেস অ্যান্টি-স্পুফিংয়ের চ্যালেঞ্জগুলি
আরও শক্তিশালী অ্যান্টি-স্পুফিং সিস্টেমের উন্নয়ন এখনও বেশ কয়েকটি চ্যালেঞ্জের মুখোমুখি:
স্পুফিং পদ্ধতিগুলি নিম্নমানের ছবি থেকে শুরু করে উন্নত ডিপফেক পর্যন্ত পরিবর্তিত হয়।
পরিবেশগত পরিবর্তনশীলতা, যেমন আলোর অবস্থা এবং ডিভাইসের গুণমান, সিস্টেমের কর্মক্ষমতাকে প্রভাবিত করতে পারে।
ভারসাম্যহীন প্রশিক্ষণ ডেটাসেটের কারণে, কিছু প্রাথমিক সিস্টেমে নির্দিষ্ট জাতিগত গোষ্ঠীর ক্ষেত্রে ত্রুটির হার বেশি ছিল।
নীতিগত এবং লজিস্টিক সীমাবদ্ধতার কারণে, AI সিস্টেম প্রশিক্ষণের জন্য পর্যাপ্ত পরিমাণে বৈচিত্র্যময় এবং উচ্চ-মানের তথ্য সংগ্রহ করা সম্ভব হয় না।
ফেস অ্যান্টি-স্পুফিংয়ের ভবিষ্যৎ
উদীয়মান প্রবণতাগুলি অ্যান্টি-স্পুফিং প্রযুক্তিতে উত্তেজনাপূর্ণ উন্নয়নের ইঙ্গিত দেয়।
- মাল্টিমডাল পদ্ধতি: অতিরিক্ত নিরাপত্তা নিশ্চিত করার জন্য এর মধ্যে মুখ এবং কণ্ঠস্বরের মতো বিভিন্ন বায়োমেট্রিক্স জোড়া লাগানো জড়িত।
- উন্নত নিউরাল নেটওয়ার্ক: জনসংখ্যাতাত্ত্বিক তথ্যের আরও ভালো সাধারণীকরণের জন্য আরও ভালো স্থাপত্য তৈরি করা।
- বায়োমেট্রিক ফিউশন: আরও নির্ভরযোগ্য প্রমাণীকরণের জন্য বিভিন্ন বায়োমেট্রিক পদ্ধতিগুলিকে একীভূত সিস্টেমে একীভূত করা।
ব্যাংকিং, স্বাস্থ্যসেবা এবং স্মার্ট ডিভাইসগুলিতে মুখের স্বীকৃতি বাস্তবায়িত হওয়ার সাথে সাথে, নির্ভরযোগ্য অ্যান্টি-স্পুফিং ব্যবস্থার চাহিদা বৃদ্ধি পাবে।
ফেসিয়াল ডেটা সংগ্রহ কীভাবে অ্যান্টি-স্পুফিং এআই মডেলগুলিকে শক্তিশালী করে
কার্যকর অ্যান্টি-স্পুফিং সিস্টেম তৈরির জন্য উচ্চমানের ডেটা অপরিহার্য:
- তথ্য বিশ্বের অন্যান্য অংশের কাছে সাধারণীকরণযোগ্য হওয়া উচিত, যাতে বিভিন্ন ধরণের জনসংখ্যা এবং পরিবেশগত পরিস্থিতি অন্তর্ভুক্ত থাকে।
- এই কারণেই লেবেলযুক্ত ডেটাসেট তৈরিতে অ্যানোটেশন এত গুরুত্বপূর্ণ যা জাল ইনপুট থেকে আসল ইনপুট আলাদা করতে সাহায্য করে।
শাইপের কেস স্টাডি তথ্য সংগ্রহের সর্বোত্তম অনুশীলনগুলি দেখায়:
একটি মামলা শাইপ কর্তৃক অধ্যয়ন শক্তিশালী অ্যান্টি-স্পুফিং পদ্ধতির গুরুত্ব প্রকাশ করে। কোম্পানিটি প্রাণের সনাক্তকরণের জন্য AI মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য বাস্তব এবং জাল ইনপুট সহ 25,000 ভিডিওর একটি ডেটাসেট তৈরি করেছে।
- পাঁচটি জাতিগত গোষ্ঠীর ১২,৫০০ জন অংশগ্রহণকারীর অবদানের ভিত্তিতে ডেটাসেটটি তৈরি করা হয়েছে।
- মেটাডেটা ট্যাগিং নিশ্চিত করেছে যে প্রতিটি ভিডিওর জন্য আলোর অবস্থা এবং ডিভাইসের ধরণগুলি টীকাযুক্ত করা হয়েছে।
- পর্যায়ক্রমে সরবরাহের ফলে প্রতিটি পর্যায়ে মান পরীক্ষা করা সম্ভব হয়েছিল এবং একই সাথে বিভিন্ন পরিস্থিতিও ধারণ করা সম্ভব হয়েছিল।
আমাদের সাথে সহযোগিতাকারী সংস্থাগুলি তাদের অ্যান্টি-স্পুফিং সিস্টেমগুলিকে উচ্চ নির্ভুলতা এবং দৃঢ়তা প্রদান করে, AI মডেল বিকাশকে দ্রুততর করতে পারে।
