‘Wajah Master’ yang Dapat Membobol Lebih dari 40% Sistem Autentikasi Wajah

Peneliti dari Israel telah mengembangkan jaringan saraf yang dapat menghasilkan ‘wajah master’ – gambar wajah yang masing-masing dapat meniru beberapa ID. Karya ini menunjukkan bahwa memungkinkan untuk menghasilkan ‘kunci master’ seperti itu untuk lebih dari 40% populasi menggunakan hanya 9 wajah yang disintesis oleh StyleGAN Generative Adversarial Network (GAN), melalui tiga sistem pengenalan wajah terkemuka.

Makalah ini adalah kolaborasi antara Blavatnik School of Computer Science dan sekolah Electrical Engineering, keduanya di Tel Aviv.

Pengujian sistem, peneliti menemukan bahwa satu wajah yang dihasilkan dapat membuka 20% dari semua identitas di database Labeled Faces in the Wild (LFW) sumber terbuka, sebuah repositori umum yang digunakan untuk pengembangan dan pengujian sistem autentikasi wajah, dan database benchmark untuk sistem Israel.

Alur kerja sistem Israel, yang menggunakan generator StyleGAN untuk mencari ‘wajah master’ secara iteratif. Sumber: https://arxiv.org/pdf/2108.01077.pdf

Metode baru ini memperbaiki makalah sebelumnya dari Universitas Siena, yang memerlukan akses istimewa ke kerangka kerja pembelajaran mesin. Sebaliknya, metode baru ini menginferensi fitur umum dari bahan yang tersedia secara umum dan menggunakannya untuk menciptakan karakteristik wajah yang melintasi sejumlah besar identitas.

Mengembangkan Wajah Master

StyleGAN awalnya digunakan dalam pendekatan ini di bawah metode optimisasi black box yang berfokus (tidak mengherankan) pada data dimensional tinggi, karena penting untuk menemukan fitur wajah yang paling umum dan luas yang akan memuaskan sistem autentikasi.

Proses ini kemudian diulangi secara iteratif untuk mencakup identitas yang tidak dienkripsi dalam lulusan awal. Dalam kondisi pengujian yang bervariasi, peneliti menemukan bahwa memungkinkan untuk mendapatkan autentikasi untuk 40-60% dengan hanya sembilan gambar yang dihasilkan.

Kelompok ‘wajah master’ yang diperoleh dalam penelitian melalui berbagai metode Pencarian Cakupan, termasuk LM-MA-ES. Cakupan Rata-Rata (MSC, metric akurasi) dicatat di bawah setiap gambar.

Sistem ini menggunakan algoritma evolusioner yang dipasangkan dengan predictor neural yang memperkirakan kemungkinan ‘kandidat’ saat ini untuk menggeneralisasi lebih baik daripada p-persentil kandidat yang dihasilkan dalam lulusan sebelumnya.

Pengfilteran kandidat yang dihasilkan dalam arsitektur sistem Israel.

LM-MA-ES

Proyek ini menggunakan algoritma Limited-Memory Matrix Adaptation (LM-MA-ES) yang dikembangkan untuk inisiatif 2017 yang dipimpin oleh Research Group on Machine Learning for Automated Algorithm Design, sebuah pendekatan yang sangat sesuai untuk optimisasi black box dimensional tinggi.

LM-MA-ES mengeluarkan kandidat secara acak. Meskipun ini sangat sesuai dengan tujuan proyek, komponen tambahan diperlukan untuk menentukan wajah mana yang merupakan kandidat terbaik untuk autentikasi lintas-identitas. Oleh karena itu, peneliti menciptakan ‘Predictor Keberhasilan’ neural classifier untuk menyaring banjir kandidat menjadi wajah terbaik untuk tugas tersebut.

Rasio Predictor Keberhasilan yang digunakan dalam proyek spoofing identifikasi wajah Israel.

Evaluasi

Sistem ini diuji melawan tiga face descriptors berbasis CNN: SphereFace, FaceNet dan Dlib, masing-masing arsitektur sistem yang berisi metric kesamaan dan fungsi kerugian, yang berguna dalam memvalidasi skor akurasi sistem.

Predictor Keberhasilan adalah jaringan saraf feed-forward yang terdiri dari tiga lapisan terhubung sepenuhnya. Yang pertama dari ini menggunakan BatchNorm regularization untuk memastikan konsistensi data sebelum aktivasi. Jaringan ini menggunakan ADAM sebagai optimizer, dengan tingkat pembelajaran yang ambisius sebesar 0,001 lebih dari batch 32 gambar input.

Keluaran dari tiga arsitektur.

Ketiga algoritma yang diuji telah dilatih untuk 26.400 panggilan fungsi kebugaran menggunakan set yang sama dari lima biji.

Peneliti telah menetapkan pada titik ini bahwa proses pelatihan yang lebih lama tidak menguntungkan sistem; secara efektif, pendekatan Israel ini mencari untuk menghasilkan data kunci dari tahap awal pelatihan model, di mana hanya fitur tertinggi yang telah ditemukan. Ini patut dicatat bahwa ini adalah sesuatu yang menguntungkan, dalam hal ekonomi kerangka kerja.

Setelah menetapkan hasil baseline dengan lingkungan optimisasi gradient-bebas Python-based Facebook NeverGrad, sistem ini diprofil melawan sejumlah algoritma, termasuk berbagai merek Differential Evolution heuristic.

Peneliti menemukan bahwa pendekatan ‘serakah’ berbasis Dlib outperformed pesaingnya, berhasil menciptakan sembilan wajah master yang dapat membuka 42%-64% dari dataset uji. Penerapan Predictor Keberhasilan sistem ini lebih meningkatkan hasil yang sangat menguntungkan ini.

Makalah ini menyatakan bahwa ‘autentikasi berbasis wajah sangat rentan, bahkan jika tidak ada informasi tentang identitas target’, dan peneliti mempertimbangkan inisiatif mereka sebagai pendekatan yang valid untuk metodologi serangan keamanan untuk sistem pengenalan wajah.