جوتشا – نظام CAPTCHA للتحقق من الهويات الحية

أضاف بحث جديد من جامعة نيويورك إلى الدلائل المتزايدة التي تشير إلى أننا قد نضطر قريباً إلى أداء اختبار مشابه لاختبار “السكران” لتحقق هويتنا قبل البدء في مكالمة فيديو حساسة – مثل مكالمة فيديو متعلقة بالعمل أو أي سيناريو آخر قد ي جذب المخادعين الذين يستخدمون برامج بث ديبفيك في الوقت الفعلي.

بعض التحديات النشطة والسلبية المطبقة على سيناريوهات المكالمات الفيديوية في جوتشا. يجب على المستخدم أن يمتثل ويجتاز التحديات، في حين يتم استخدام طرق “سلبية” إضافية (مثل محاولة إفراط التحميل على نظام ديبفيك محتمل) التي لا يملك المستخدم أي تأثير عليها. مصدر: http://export.arxiv.org/pdf/2210.06186

النظام المقترح يسمى جوتشا – وهو إشارة إلى أنظمة CAPTCHA التي أصبحت عقبة متزايدة للتصفح على الويب خلال السنوات 10-15 الماضية، حيث يتطلب النظام التلقائي من المستخدم أداء مهام يصعب على الآلات أداؤها، مثل تحديد الحيوانات أو فك الشفرة النصية المشوهة (وإذا كان الأمر مبالغًا فيه، فإن هذه التحديات غالبًا ما تحول المستخدم إلى مصدر خارجي مجاني لتحديد البيانات).

في جوهره، يوسع جوتشا ورقة DF-Captcha التي نشرت في أغسطس 2022 من جامعة بن غوريون، والتي كانت الأولى في اقتراح إجبار الشخص في الطرف الآخر من المكالمة على القفز من خلال بعض الحلقات البصرية الدلالية لتحقيق مصداقيته.

ورقة أغسطس 2022 من جامعة بن غوريون اقترحت لأول مرة مجموعة من الاختبارات التفاعلية للمستخدم، بما في ذلك إخفاء الوجه أو حتى إفراغ البشرة – مهام قد لا يتوقعها نظام ديبفيك حي أو لا يستطيع التعامل معها بشكل فوتوحيثي. مصدر: https://arxiv.org/pdf/2208.08524.pdf

من المهم أن نظام جوتشا يضيف طرقًا “سلبية” إلى سلسلة من الاختبارات المقترحة، بما في ذلك الإفراط في وضع عناصر غير حقيقية على وجه المستخدم، و”إفراط التحميل” على الإطارات التي تمر عبر النظام. ومع ذلك، فإن فقط المهام التي يستجيب لها المستخدم يمكن تقييمها دون إذن خاص للوصول إلى نظام المستخدم المحلي – الذي من المفترض أن يأتي في شكل وحدات أو إضافات محلية لمنصات شائعة مثل سكايب وزم، أو حتى في شكل برنامج مخصص مخصص لمكافحة المخادعين.

من الورقة، توضيح للتفاعل بين المتصل والنظام في جوتشا، مع خطوط متقطعة كتدفقات قرار.

أثبت الباحثون النظام على مجموعة بيانات جديدة تحتوي على أكثر من 2.5 مليون إطار فيديو من 47 مشاركًا، كل منهم ي执行 13 تحديًا من جوتشا. ويدعون أن الإطار يؤدي إلى تقليل مستمر ويمكن قياسه في جودة محتوى ديبفيك للمستخدمين المخادعين، مما يؤدي إلى إجهاد النظام المحلي حتى يصبح الخداع واضحًا للعين البشرية (على الرغم من أن جوتشا يحتوي أيضًا على بعض طرق التحليل الخفية الأكثر دقة).

الورقة الجديدة بعنوان جوتشا: نظام استجابة للتحدي لتحديد ديبفيك في الوقت الفعلي (اسم النظام مخفض الحروف في الجسم ولكن ليس في عنوان المنشور، على الرغم من أنه ليس اختصارًا).

مجموعة من التحديات

في الغالب وفقًا للورقة من جامعة بن غوريون، يتم تقسيم التحديات التي تواجه المستخدم إلى أنواع من المهام.

对于 ال.occlusion، يُطلب من المستخدم إخفاء وجهه بیده أو بأشياء أخرى، أو تقديم وجهه بزاوية غير محتملة أن تكون مدربة في نظام ديبفيك (عادة بسبب نقص البيانات التدريبية للاوضاع “الغريبة” – انظر مجموعة الصور في التوضيح الأول أعلاه).

بجانب الإجراءات التي يمكن للمستخدم أداؤها بنفسه وفقًا للتعليمات، يمكن لجوتشا وضع قطع الوجه العشوائية والملصقات ومرشحات الواقع المعزز، من أجل “تلف” تيار الوجه الذي قد يتوقعه نظام ديبفيك المحلي، مما يؤدي إلى فشله. كما ذكرنا من قبل، على الرغم من أن هذا عملية “سلبية” للمستخدم، إلا أنها عملية غازية للبرمجيات، التي تحتاج إلى أن تتدخل مباشرة في تيار المتصل.

بعد ذلك، قد يُطلب من المستخدم وضع وجهه في تعابير غير عادية قد تكون غائبة أو منخفضة التمثيل في أي مجموعة بيانات تدريبية، مما يؤدي إلى انخفاض جودة الإخراج المزور (صورة “ب”، العمود الثاني من اليسار، في التوضيح الأول أعلاه).

كجزء من هذا سلسلة من الاختبارات، قد يُطلب من المستخدم قراءة نص أو إجراء محادثة مصممة لتحدي نظام ديبفيك الحي، الذي قد لا يكون مدربًا على مجموعة كافية من الصوتيات أو أنواع أخرى من بيانات الفم لدرجة أنه يمكنه إعادة بناء حركة شفتين دقيقة تحت هذا الفحص.

أخيرًا (وهذا سيُجعل التحدي للمهارات التمثيلية للمتصل)، في هذه الفئة، قد يُطلب من المستخدم أداء “تعبير صغير” – تعبير وجهي قصير وغير ارادي يخفي عاطفة. يقول المنشور عن ذلك: ‘[هذا] يمتد عادة من 0.5 إلى 4.0 ثوان، ويصعب تقليدُه’.

على الرغم من أن الورقة لا تصف كيفية استخراج تعبير صغير، فإن المنطق يقترح أن الطريقة الوحيدة لفعل ذلك هي خلق عاطفة مناسبة للمستخدم النهائي، ربما مع بعض المحتوى الم驚 الذي يتم تقديمه له كجزء من روتين الاختبار.

تشويه الوجه والإنارة والضيوف غير المتوقعين

بالإضافة إلى ذلك، وفقًا لاقتراحات الورقة في أغسطس، يقترح العمل على طلب المستخدم أداء تشويهات غير عادية وتلاعب بالوجه، مثل الضغط بإصبع على خده، أو التفاعل مع وجهه وشعره، وأداء حركات أخرى لا يُحتمل أن يستطيع نظام ديبفيك حي التعامل معها جيدًا، لأنها أفعال هامشية – حتى لو كانت موجودة في مجموعة البيانات التدريبية، فإن إعادة بنائها ستكون منخفضة الجودة، وفقًا لبيانات “الخارجية” الأخرى.

ابتسامة، ولكن هذا ‘الوجه المحبوس’ لا يُترجم جيدًا من قبل نظام ديبفيك حي محلي.

تحدي إضافي يكمن في تغيير ظروف الإضاءة التي يوجد فيها المستخدم، لأن من الممكن أن يكون تدريب نظام ديبفيك محسّنًا لظروف إضاءة مكالمات الفيديو المعيارية، أو حتى ظروف الإضاءة الدقيقة التي تجري فيها المكالمة.

بالتالي، قد يُطلب من المستخدم توجيه شعاع المصباح على هاتفه المحمول إلى وجهه، أو بطرق أخرى لتغيير الإضاءة (والجدير بالذكر أن هذا النهج هو الاقتراح المركزي لورقة أخرى لتحديد ديبفيك في الوقت الفعلي التي صدرت هذا الصيف).

أنظمة ديبفيك الحية تُجبر على الإضاءة غير المتوقعة – وحتى بوجود أشخاص متعددين في تيار، حيث كان يتوقع فقط فردًا واحدًا.

في حالة وجود نظام مقترح له القدرة على التدخل في تيار المستخدم المحلي (الذي يشتبه في وجود ديبفيك في وسطه)، يمكن إضافة أنماط غير متوقعة (انظر العمود الأوسط في الصورة أعلاه) مما قد يؤثر على قدرة خوارزمية ديبفيك على الحفاظ على المحاكاة.

بالإضافة إلى ذلك، على الرغم من أن من غير المعقول توقع أن يكون للمتصل أشخاص إضافيين لمساعدته في التحقق من هويته، يمكن للنظام إدراج وجوه إضافية (الصورة على اليمين)، ويرى ما إذا كان نظام ديبفيك المحلي يرتكب خطأ التبديل أو حتى محاولة ديبفيك جميعهم (أنظمة ديبفيك التشفير الذاتي لا تملك قدرات “تحديد الهوية” يمكن أن تركز الانتباه على فرد واحد في هذا السيناريو).

الاستeganography والتحميل الزائد

يضيف جوتشا أيضًا نهجًا اقترحه لأول مرة جامعة كاليفورنيا في سان دييغو في أبريل من هذا العام، والذي يستخدم الاستگانوغرافيا لتشفير رسالة في تيار الفيديو المحلي للمستخدم. سوف تدمر إجراءات ديبفيك هذه الرسالة، مما يؤدي إلى فشل في التحقق.

من ورقة أبريل 2022 من جامعة كاليفورنيا في سان دييغو، وسان دييغو ستيت يونيفرسيتي، طريقة لتحديد الهوية الحقيقية من خلال رؤية ما إذا كان إشارة استغانوغرافية أرسلت إلى تيار الفيديو للمستخدم نجت من الدورة المحلية سليمة – إذا لم تكن كذلك، قد يكون هناك خداع ديبفيك. مصدر: https://arxiv.org/pdf/2204.01960.pdf

بالإضافة إلى ذلك، يمكن لجوتشا تحميل النظام المحلي (مع الإذن والتصريح)، من خلال تكرار تيار وتقديم بيانات “مفرطة” إلى أي نظام محلي، مصممة لإحداث فشل في تكرار نظام ديبفيك.

يحتوي النظام على اختبارات أخرى (انظر الورقة للحصول على التفاصيل)، بما في ذلك تحدي، في حالة متصل هاتفي ذكي، لتحويل هاتفه رأسًا على عقب، مما سيؤدي إلى تشويه نظام ديبفيك المحلي:

مرة أخرى، هذا النوع من الأشياء سوف يعمل فقط مع حالة استخدام مقنعة، حيث يُجبر المستخدم على منح الوصول المحلي إلى التيار، ولا يمكن تنفيذه من خلال تقييم سلبي بسيط لفيديو المستخدم، على عكس الاختبارات التفاعلية (مثل الضغط بإصبع على الوجه).

العملي

يتحدث المنشور بشكل موجز عن مدى اختبار هذا النوع من الاختبارات للمستخدم النهائي، أو إزعاجه بطريقة ما، على سبيل المثال، من خلال إلزامه иметь عددًا من الأشياء التي قد تكون ضرورية للاختبارات، مثل النظارات الشمسية.

كما يعترف بأن من الصعب الحصول على مراسلين قويين للامتثال لروتين الاختبار. فيما يتعلق بحالة مكالمة فيديو مع الرئيس التنفيذي، يقول المؤلفون:

‘قد تكون سهولة الاستخدام هي المفتاح هنا، لذلك قد لا تكون التحديات غير الرسمية أو الهزلية (مثل التشويهات أو التعبيرات) مناسبة. قد لا تكون التحديات التي تستخدم مواد فيزيائية خارجية مرغوبة. السياق هنا يتم تعديله بشكل مناسب ويتكيف جوتشا مع مجموعة من التحديات بشكل متناسب.’

البيانات والاختبارات

تم اختبار جوتشا ضد أربعة سلالات من نظام ديبفيك الحي المحلي، بما في ذلك两个 نسخ من نظام ديبفيك التشفير الذاتي الشائع DeepFaceLab (‘DFL’, على الرغم من أن الورقة لا提شير إلى DeepFaceLive، الذي كان، منذ أغسطس 2021، تنفيذ “حي” لDeepFaceLab، ويبدو أنه الأكثر احتمالاً لمصدر محتمل للمخادع).

تم تدريب الأنظمة الأربعة على “DFL” مدربة بشكل خفيف على شخص غير مشهور يشارك في الاختبارات، ومتوافق مع المشاهير؛ DFL مدربة بشكل أكبر، إلى 2 مليون تكرار أو خطوة، حيث من المتوقع أن يكون النموذج أكثر أداء؛ Latent Image Animator (LIA)؛ و Face Swapping Generative Adversarial Network (FSGAN).

بالنسبة للبيانات، قام الباحثون بتصوير وتنقية مقاطع فيديو تحتوي على أكثر من 2.5 مليون إطار فيديو من 47 مستخدمًا، كل منهم يؤدي 13 تحديًا من جوتشا. ويصرح المؤلفون أيضًا أن هذه البيانات سوف يتم إطلاقها في النهاية للجمهور.

يمكن إجراء كشف الشذوذ إما بواسطة مراقب بشري أو خوارزميًا. بالنسبة للخيار الأخير، تم تدريب النظام على 600 وجه من مجموعة بيانات FaceForensics. كانت دالة الخسارة الإرجاعية هي دالة التشابه في الصور المكتسبة (LPIPS)، في حين تم استخدام الترميز الثنائي لتدريب المصنف. تم استخدام EigenCam لتحديد أوزان الكاشف.

النتائج الأساسية من الاختبارات لجوتشا.

وجد الباحثون أن أقل عدد وخطورة الشذوذ (أي العيوب التي تكشف عن وجود نظام ديبفيك) تم الحصول عليها بواسطة توزيع DFL الأعلى. وقد كافح الإصدار الأقل تدريباً بشكل خاص لإعادة إنشاء حركات شفتين معقدة (التي تحتل جزءًا صغيرًا من الإطار، ولكنها تحصل على انتباه بشري عالٍ)، في حين احتل FSGAN وسطًا بين الإصدارين DFL، وأثبت LIA عدم كفاءته تمامًا في المهمة، مع اعتقاد الباحثين أن LIA سوف يفشل في التعميم.

نُشر لأول مرة في 17 أكتوبر 2022.