LIVENESS DETECTION AND DEEPFAKE ATTACKS IN BIOMETRIC AUTHENTICATION: RELIABLE FACE VERIFICATION VIA PASSIVE MONITORING AND BRIEF CHALLENGE–RESPONSE (ACTIVE) TESTS

516 LIVENESS DETECTION AND DEEPFAKE ATTACKS IN BIOMETRIC AUTHENTICATION: RELIABLE FACE VERIFICATION VIA PASSIVE MONITORING AND BRIEF CHALLENGE–RESPONSE (ACTIVE) TESTS Ergashev Muhammadsodiq Uchqun ogli, Senior Lecturer, Department of Mathematics and Information Technology, Oriental University ergashevmuhammadsodiq19[email protected]om Annotatsiya. Raqamli dunyoda telefonni ochishdan tortib pul yuborishgacha boʻlgan koʻp ishlar yuz tasdiqiga tayanadi. Shu bois soxta surat, video yoki niqob bilan aldash xavfi kundan-kunga oshmoqda. Ushbu maqola liveness tekshiruvi uchun ikki yoʻlni insoniy tilda taqqoslaydi: passiv kuzatuv (tekstura, rPPG, mikroharakat) va foydalanuvchi bajaradigan qisqa aktiv topshiriqlar. Samaradorlik ISO/IEC 30107-3 metrikalari (APCER, BPCER, ACER) va NIST IAPMR orqali baholanadi. OULUNPU, SiW, SiW-M, CelebA-Spoof va HQ-WMCA misollarida nimalar ishlashi, qaysi holatda xatolar koʻpayishi, adolat va rozilik talablari, koʻpkanalli birikmalar hamda amaliy tavsiyalar yoritiladi. Natijalar ACERning pasayishini koʻrsatadi; rPPG replayga nisbatan chidamli, aktiv topshiriqlar esa UX bilan muvozanatda qoʻllansa foydali. Tizimlar ishonchliroq boʻladi. Kalit soʻzlar: liveness; PAD; deepfake; rPPG; OULU-NPU; ACER. Abstract. From unlocking a phone to sending money, many daily actions rely on face verification. That trust is fragile when photos, screens, masks, or deepfakes can fool sensors. This paper explains, in plain language, two ways to check “liveness”: passive observation (texture, rPPG, micro-motions) and short active prompts the user performs. We evaluate them with ISO/IEC 30107-3 metrics (APCER, BPCER, ACER) and NIST IAPMR. Using OULU-NPU, SiW, SiW-M, CelebA-Spoof, and HQWMCA, we highlight what works, when errors grow, and why fairness, consent, and multi-sensor fusion matter. Results show ACER declining; rPPG resists replay; welldesigned challenges preserve UX and security together overall. Keywords: liveness; PAD; deepfake; rPPG; OULU-NPU; ACER. Kirish. Bugun telefonni ochishdan tortib bank ilovasiga kirish va aeroportdagi eGateʼdan oʻtishgacha koʻplab jarayonlar yuz tekshiruvi bilan bogʻliq. Shu bilan birga, bosma surat, ekran orqali qayta ijro (replay), 3D niqob va hatto deepfake kabi usullar bilan tizimni chalgʻitish urinishlari ham ortmoqda. Liveness detection — “kamera oldida haqiqiy inson bormi?” degan savolga javob beradigan modul — ana shunday tahdidlarga qarshi birinchi himoya qatlamidir. Amaliyotda ikki yondashuv koʻp qoʻllanadi: passiv (foydalanuvchi hech narsa qilmaydi; sistemada tekstura, mikroharakatlar, rPPG kabi mayda signallar tahlil qilinadi) va aktiv (foydalanuvchi qisqa topshiriq bajaradi: koʻz yumish, boshni burish, oddiy matnni aytish va h.k.). Standartlar bu sohani tartibga soladi: ISO/IEC 30107-3 baholash qoidalari va metrikalarni (APCER, BPCER, ACER) belgilaydi [1]. Tadqiqotchilar ham, ishlab chiquvchilar ham natijalarni shu mezonlarda solishtiradi. 517 Quyida biz livenessning passiv va aktiv yoʻllarini sodda tilda tushuntiramiz, ularning kuchli/zaif tomonlarini koʻrsatamiz, ochiq maʼlumotlar bazalari misolida dalillarni jamlaymiz (OULU-NPU, SiW/SiW-M, HQ-WMCA, CelebA-Spoof) va amaliy tavsiyalarni beramiz. Metodologiya. Metrikalar. Ishonchlilikni bir xil tilga tushirish uchun quyidagi atamalarni ishlatamiz: APCER — hujumni haqiqiy deb qabul qilish ulushi, BPCER — haqiqiy foydalanuvchini hujum deb rad etish ulushi, ACER — shu ikki xatolikning oʻrtachasi. Amaliy tizimda maqsad: APCER ham, BPCER ham past boʻlsin, ACER esa 1 % atrofida yoki undan past boʻlsin. NIST kontekstida qoʻshimcha tarzda IAPMR — “hujum paytida notoʻgʻri moslik ehtimoli” — ham koʻriladi (yirik tizim xavfini yaxshiroq baholashga yordam beradi). Passiv yondashuv. Kamera faqat kuzatadi. Model tekstura (teridagi nozik naqshlar, fotometrik izlar), mikroharakat (koʻz atrofidagi mayda qimirlashlar) va rPPG (yurak urishi bilan bogʻliq rang tebranishi) kabi belgilarni tahlil qiladi. Afzalligi — juda qulay: foydalanuvchidan hech narsa talab qilmaydi; kamchilik — yangi hujum turlariga umumlashishi baʼzan cheklangan. Aktiv yondashuv. Qisqa va tasodifiy topshiriqlar: koʻz yumish, boshni burish, ekranda koʻrsatilgan raqamlarni aytish. Afzalligi — replay/print kabi oddiy hujumlarni ancha qiyinlashtiradi; kamchiligi — foydalanuvchi tajribasiga (UX) ozgina yuk qoʻshadi. Maʼlumotlar bazalari. Ishonchli xulosa uchun turli sharoitlarni qamrab olgan datasetlar kerak: OULU-NPU (mobil sharoitda print/replay), SiW/SiW-M (koʻproq turli hujumlar, “zero-shot” ssenariy), HQ-WMCA (RGB, IR, Depth va boshqa kanallar), CelebA-Spoof (yuqori koʻlamli 2D hujumlar).Quyidagi jadvalda ular boʻyicha ixcham taqqoslash berdik. Jadval 1 – Tanlangan datasetlar (interaktiv): Datase t Yil Namuna Modallik Hujum turlari OULU-NPU 2017 4 950 RGB video Print, Replay SiW 2018 4 478 RGB video Print, Replay (koʻp qurilma) HQWMCA 2019 2 904 RGB/IR/Dept h/SWIR/Ther mal 2D/3D niqob, koʻpkana lli CelebASpoof 2020 625 537 RGB rasm Print, Replay, 3D, Paper-cut . Grafik. OULU-NPU Protokol-1 boʻyicha uch mashhur usul — GRADIANT 518 (2017), STASN (2019) va CDCN++ (2020) — ACER koʻrsatkichini qanday pasaytirganini chiziqli grafikda koʻrsatdik (Rasm 1). Bu, qisqacha, metodlar evolyutsiyasini oddiy koʻz bilan koʻrish imkonini beradi [2], [3]. Natijalar. 1) ACER pasayishi aniq koʻrinadi. 2017 yildagi GRADIANT ~6,9 % atrofida boʻlgan boʻlsa, 2019 yilda STASN ~1,9 % gacha tushiradi, 2020 yilda CDCN++ ~0,2 % atrofida natija beradi (Rasm 1). Bu chuqur tarmoqlar nozik signallarni yaxshiroq ushlay boshlaganini koʻrsatadi [2], [3]. 2) Passiv va aktivning kuchli tomonlari bir-birini toʻldiradi. Passiv kuzatuv foydalanuvchi uchun deyarli “sezilmas”, tez va masofadan ishlaydi. Aktiv topshiriqlar esa “tayyor” videoni oddiy koʻchirib qoʻyishning oldini oladi. Birgalikda qoʻllanganda (gibrid yechim) hujumlarni chetlab oʻtish ancha qiyinlashadi, UX esa minimal darajada taʼsirlanadi. 3) Koʻpkanallilik foyda beradi. RGBʼga qoʻshimcha IR yoki Depth kanallari 3D niqoblar va murakkab rekvizitlarni “fosh” qilishda yordam beradi (masalan, HQWMCA shu sabab muhim). 4) Katta koʻlam muhim. CelebA-Spoof singari yirik datasetlar modelni turli sahna va qurilmalarga moslashishga majbur qiladi. Bu “laboratoriyadan tashqarida” ham barqarorlik beradi. Muhokama va tahlil. Nega bitta yondashuv yetmaydi? Faqat passiv tizim yangi turdagi hujum paydo boʻlsa qiynalishi mumkin; faqat aktiv tizim esa foydalanuvchiga ortiqcha yuk soladi. Shuning uchun: “kam, lekin aqlli” aktiv testlar + kuchli passiv kuzatuv — eng toʻgʻri muvozanat. Masalan, rPPG (yurak urishi signali) ekran orqali qayta ijroda sunʼiy qayta tiklash qiyin, shu bois replayʼga nisbatan “bardoshli” signal hisoblanadi. Metriklarni toʻgʻri talqin qilish. ACER chiroyli bir raqam, lekin uning ichida ikki turdagi xato bor: hujumni oʻtkazib yuborish (APCER) va haqiqiy foydalanuvchini rad etish (BPCER). Amaliy tizimda ikkisini ham past ushlash kerak. Katta tizimlar uchun IAPMR kabi koʻrsatkichlar ham foydali: “PADni bosib oʻtib, keyingi moslik bosqichida xato boʻlsa-chi?” savoliga javob beradi. “In-the-wild” sinov — majburiy. OULU-NPUʼdagi ajoyib ACER koʻrsatkichlari 519 aksariyat hollarda “oʻsha dataset”ning oʻzida olinadi. Amaliy joriy etishdan oldin albatta cross-database va “yovvoyi” sharoitlarda (WFAS tipidagi) qayta baholash kerak. Shunda yorugʻlik, burchak, kamera sifati, maska materiali kabi real omillar hisobga olinadi. Etika va adolat. Liveness yigʻadigan maʼlumot (video, fiziologik izlar) minimal boʻlsin, saqlanishi cheklansin, foydalanuvchiga nima uchun kerakligi tushuntirilsin. Demografik guruhlar boʻyicha BPCER farqlari doimiy kuzatilib, muvozanatga keltirilsin. Xulosa. Bir jumla bilan: gibrid liveness — passiv kuzatuv (tekstura+rPPG) ustiga kam, lekin aqlli aktiv topshiriqlar, imkon boʻlsa IR/Depth kanallari — bugun eng sogʻlom yoʻl. Loyihada: (i) ISO/IEC 30107-3 mezonlarida test va hisobot olib boring [1]; (ii) ACERʼni <1 % yaqinida ushlashga intiling, APCER ham, BPCER ham past boʻlsin; (iii) amaliy xavfni IAPMR bilan baholang; (iv) “in-the-wild” va cross-database sinovlarni odat qiling; (v) UX, adolat va maxfiylik siyosatini birinchi kundan rejalashtiring. Shunda yuz tekshiruvi foydalanuvchi uchun ham qulay, tizim uchun ham ishonchli boʻladi. Foydalanilgan adabiyotlar 1. ISO/IEC 30107-3:2023. Information technology — Biometric presentation attack detection — Part 3: Testing and reporting. Geneva: ISO, 2023. 2. Boulkenafet, Z.; Komulainen, J.; Li, L.; Feng, X.; Hadid, A. “OULU-NPU: A Mobile Face Presentation Attack Database with Real-World Variations.” FG 2017, 612–618. IEEE. 3. Yu, Z.; Zhao, C.; Wang, Z.; Qin, Y.; Su, Z.; Li, X.; Zhou, F.; Zhao, G. “Searching Central Difference Convolutional Networks for Face Anti-Spoofing (CDCN++).” CVPR 2020, 5295–5305. IEEE/CVF. 4. Liu, Y.; Jourabloo, A.; Liu, X. “Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision (SiW).” CVPR 2018, 389–398. IEEE/CVF. 5. Liu, Y.; Stehouwer, J.; Jourabloo, A.; Liu, X. “Deep Tree Learning for ZeroShot Face Anti-Spoofing (SiW-M).” CVPR 2019. IEEE/CVF. 6. Zhang, Y.; et al. “CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset.” ECCV 2020. 7. Idiap Research Institute. HQ-WMCA Database (RGB/IR/Depth/SWIR/Thermal). Martigny: Idiap, 2019.