Главная страница Case Studies Сбор Replay-атак для кибербезопасности

Сбор Replay-атак для кибербезопасности

В течение 26 месяцев мы ежемесячно собирали 40 000 уникальных Replay-атак для обучения Face ID-модели клиента. Через краудсорсинг и автоматизированную валидацию данных нам удалось значительно повысить точность системы в распознавании фальсификаций.

Индустрия:

Кибербезопасность
Объем:

40 000 реплей-атак в месяц
Продолжительность проекта:

26 месяцев

Задача:

Крупная компания, специализирующаяся на разработке систем биометрической идентификации, обратилась к нам для дообучения своей модели. Задача состояла в выявлении атак повторного воспроизведения (Replay-атак).

Реплей-атака предполагает попытку взлома с использованием фотографий пользователя вместо живого лица, например, когда мошенник демонстрирует изображение на экране телефона.

Задача состояла в сборе и классификации большого объема данных о подобных атаках, чтобы повысить точность определения фальсификаций в системе Face ID. Это требовало привлечения исполнителей, которые могли бы смоделировать разнообразные атаки и предоставить данные, отражающие возможные сценарии обмана системы.
Решение:

Краудсорсинг и создание обучающих примеров

Для выполнения задачи мы организовали краудсорсинговую кампанию. Исполнители демонстрировали фото лиц на экранах своих устройств, чтобы смоделировать атаки.

Важным условием была максимальная вариативность: разное освещение, всевозможные углы наклона и детали (например, искусственные блики или волосы). За наиболее сложные и полезные для модели примеры выплачивалась повышенная награда. Так мы мотивировали участников быть креативными.

Веб-платформа для управления проектом

Для проекта мы использовали веб-платформу, которая позволяла собирать данные в собственном интерфейсе и мгновенно отправлять их модели клиента. Исполнители в процессе выполнения задач видели оценку своих попыток в реальном времени и могли корректировать свои действия для достижения лучших результатов.

Подключение к модели клиента для автоматической валидации

Для автоматизации проверки мы подключились напрямую к модели клиента, которая оценивала каждое задание и определяла, насколько новые и ценные данные были собраны. Это помогло избежать дублирования знакомых системе сценариев и сфокусироваться на сборе уникальных атак.
Результаты:
1. Увеличение точности модели
  
  На распознавание Replay-атак за счет предоставленных данных.
2. 40 000 примеров атак
  
  Мы собираем в месяц.
3. Высокий уровень удовлетворенности клиента
  
  Благодаря комплексному подходу к работе.

Другие кейсы

Разметка LiDAR для улучшения пространственной ориентации

Мы выполнили разметку облаков LiDAR для улучшения пространственной ориентации нейронной сети с 99% точностью. Это помогло клиенту увеличить производительность модели в три раза.

Подробнее

Сбор данных для улучшения системы распознавания лиц и голоса

Мы помогли клиенту повысить точность биометрической системы распознавания лиц и голоса, собрав уникальный датасет из более чем 400 000 единиц данных. Этот подход улучшил производительность системы на 21%.

Подробнее

Все кейсы