News & analizy
Liveness detection kontra deepfake: co naprawdę chroni w 2026
Zaktualizowano: Autor: Andrzej Niemiec11 min czytania
Czy liveness detection powstrzyma deepfake? Co wykrywa PAD, czego nie obejmuje i jakie procedury FS-ISAC chronią przelewy wysokokwotowe.
Spis treści
- Czym naprawdę był atak na Arup?
- Czy liveness detection wykrywa deepfake w wideokonferencji?
- Co wykrywa PAD, a czego nie obejmuje?
- Jakie sygnały wykorzystują systemy detekcji deepfake'ów?
- Dlaczego sama biometria nie wystarcza w banku?
- Jakie procedury FS-ISAC wskazuje dla przelewów wysokokwotowych?
- Co zmienia się w Polsce?
- Najczęstsze pytania
- Źródła
Czym naprawdę był atak na Arup?
Pracownik finansowy biura inżynieryjnej firmy Arup w Hongkongu wykonał 15 przelewów o łącznej wartości 200 mln HKD, około 25 mln USD, po wideokonferencji, w której rzekomi członkowie kierownictwa byli deepfake'ami [1][2]. Policja hongkońska ujawniła sprawę w lutym 2024 roku, a firma potwierdziła ją publicznie w maju [1][2].
Oszustwo zaczęło się od wiadomości podszywającej się pod dyrektora finansowego. Atakujący wykorzystali autorytet stanowiska, presję czasu i obecność kilku osób na rozmowie [1]. Arup podkreślał, że nie doszło do kompromitacji jego systemów [1][2]. Opisy zdarzenia nie mówią o przełamaniu bankowej biometrii ani o obejściu procedur KYC. To była socjotechnika w wariancie executive impersonation, prowadzona w kanale, który ofiara uznawała za wewnętrzny [1].
Ta różnica zmienia sens pytania o wyścig zbrojeń. W opisanym zdarzeniu liveness detection nie został wystawiony do walki z deepfakiem, bo nikt nie pytał go o zdanie.
Czy liveness detection wykrywa deepfake w wideokonferencji?
Nie. Liveness detection, nazywany też PAD (presentation attack detection), odpowiada na pytanie, czy przed kamerą znajduje się żywa osoba, czy podstawione zdjęcie, replay nagrania albo maska [3]. Deepfake generowany cyfrowo i wstrzykiwany do aplikacji lub strumienia kamery jest osobną klasą ataku [3].
NIST w raporcie IR 8491 ocenia technologię analizy twarzy i wskazuje, że skuteczność zależy od rodzaju ataku, a część typów nadal generuje wysokie błędy detekcji [3]. Rynek potwierdza ten wniosek z drugiej strony: analiza z 2026 roku opisuje standardowe testy liveness jako niewydolne wobec mediów syntetycznych, które bywają skutecznie omijane [4].
Sposób układania takich warstw w firmie opisujemy szerzej w przewodniku po praktycznych zastosowaniach AI.
Co wykrywa PAD, a czego nie obejmuje?
PAD sprawdza fizyczną prezentację twarzy: odbicia światła, teksturę skóry, głębię i reakcję na bodziec [5]. Nie odpowiada na pytanie, czy osoba po drugiej stronie transmisji jest tą, za którą się podaje, o ile sama transmisja nie jest dodatkowo analizowana [5].
| Kryterium | Liveness detection (PAD) | Detekcja deepfake'ów w transmisji | Procedury przelewowe |
|---|---|---|---|
| Wykrywany atak | zdjęcie, replay, maska przed kamerą [3][5] | syntetyczny obraz i głos w rozmowie [6] | fałszywe polecenie przelewu, nawet technicznie poprawne [7] |
| Moment działania | onboarding, logowanie, weryfikacja tożsamości [5] | wideokonferencja i transmisja na żywo [6] | przed zaksięgowaniem transferu [7] |
| Główna granica | cyfrowe wstrzyknięcie obrazu do aplikacji [3] | model trenowany na starszych generacjach mediów [4] | wymaga dyscypliny organizacyjnej, nie da się jej kupić jako moduł [7] |
Warstwy nie zastępują się nawzajem. PAD chroni wejście do systemu, detekcja deepfake'ów chroni rozmowę, a procedury przelewowe chronią pieniądze [7][6].
Jakie sygnały wykorzystują systemy detekcji deepfake'ów?
Systemy komercyjne analizują artefakty generowania: niespójności w mimice, brak naturalnych mikroruchów, anomalie w synchronizacji głosu i ruchu warg [6]. Reality Defender oferował w 2024 roku detekcję deepfake'ów w czasie rzeczywistym podczas wideokonferencji [6]. Nametag łączył atestację kryptograficzną, weryfikację dokumentu i mechanizm nazwany „Spatial Selfie” [6]. Oz Forensics rozwija osobną rodzinę produktów do weryfikacji biometrycznej i detekcji ataków prezentacyjnych [8].
Deklaracje producentów trzeba rozdzielać od niezależnych testów. Wyszukiwanie w 2026 roku podaje wynik 94,2% skuteczności detekcji uzyskany dzięki trójwymiarowym sieciom neuronowym [4], ale taki odsetek dotyczy konkretnego zbioru testowego, nie każdego scenariusza wdrożenia.
Dlaczego sama biometria nie wystarcza w banku?
Bo atak może ominąć kanał, w którym biometria działa. W sprawie Arup ofiara widziała twarze i słyszała głosy osób, które znała ze służbowych rozmów; żaden system weryfikacji tożsamości nie został poproszony o opinię [1][2]. FS-ISAC w raporcie z października 2024 roku rekomenduje obronę wielowarstwową: MFA, liveness, detekcję deepfake'ów, szkolenia pracowników i osobne potwierdzanie przelewów [7].
Warstwa biometryczna działa punktowo. Chroni moment wejścia, a nie sekwencję decyzji, która kończy się przelewem. Dlatego w audycie warto patrzeć na cały proces, nie tylko na moduł weryfikacji twarzy [7].
Jakie procedury FS-ISAC wskazuje dla przelewów wysokokwotowych?
Cztery zasady: niezależny callback na numer znany wcześniej, co najmniej dwóch zatwierdzających, brak zgody na realizację wyłącznie na podstawie rozmowy audio-wideo oraz limity dla transferów pilnych [7]. Każda z nich zakłada, że kanał, z którego przychodzi polecenie, może być sfałszowany [7].
To dokładnie ten element, którego zabrakło w Hongkongu. Gdyby przelew wymagał potwierdzenia innym kanałem u drugiej osoby, deepfake w rozmowie nie wystarczyłby do wypłaty 200 mln HKD [1][7].
Co zmienia się w Polsce?
Polskie źródła dokumentują inną stronę zjawiska. Raport roczny CSIRT KNF za 2024 rok wskazuje 175 domen związanych z oszustwami polegającymi na podszywaniu się pod instytucje finansowe [9]. Biuletyn CSIRT KNF z marca 2024 roku opisuje materiały z wizerunkami znanych osób, prowadzące do fałszywych platform inwestycyjnych [10].
Oba źródła dotyczą phishingu i fałszywych inwestycji, nie przełamania liveness detection w banku. Nie potwierdzają też historii o polskim banku, który miał stracić 1,2 mln zł na podszyciu się pod klienta korporacyjnego.
Naukowcy z IDEAS NCBR pracują nad prototypem ProvenView, który ma umożliwić bezpieczniejsze rozmowy online bez zaufania pośrednikowi [11]. To kierunek uzupełniający: podpis cyfrowy potwierdza pochodzenie transmisji, a nie tożsamość osoby na ekranie [11].
Bezpieczeństwo samej infrastruktury, na której stoją takie systemy, opisujemy przy okazji CVE-2026-33032 w Nginx UI.
Najczęstsze pytania
Czy liveness detection wykryje deepfake w rozmowie wideo?
Zwykle nie. PAD bada fizyczną prezentację twarzy przed kamerą, a deepfake jest obrazem cyfrowym wstrzykniętym do aplikacji [3][5]. Do wykrywania syntetycznych twarzy i głosów w transmisji potrzebny jest osobny model, taki jak rozwiązania opisywane w 2024 roku przez Reality Defender [6]. Żadna z tych warstw nie zastępuje potwierdzenia przelewu innym kanałem [7].
Jakie były straty w sprawie Arup?
Firma straciła 200 mln HKD, około 25 mln USD, w 15 przelewach [1][2]. Oszustwo ujawniono w lutym 2024 roku, a Arup potwierdził je publicznie w maju [1]. Sprawę badała policja hongkońska. Opisy nie wskazują na obejście systemu biometrycznego — atak rozegrał się w warstwie socjotechnicznej [1].
Czy polskie przepisy wymagają regularnej aktualizacji modeli?
Nie ma przepisu, który wprost narzucałby częstotliwość aktualizacji modeli liveness detection. Raport CSIRT KNF koncentruje się na skali oszustw i domenach podszywających się pod instytucje finansowe [9]. W praktyce odpowiedzialność za bezpieczeństwo transakcji zostaje po stronie instytucji, a nie dostawcy modułu biometrycznego [7].
Co sprawdzić przed wdrożeniem nowego systemu weryfikacji?
Zebrać wymagania dla całego procesu, nie tylko dla modułu twarzy: MFA, detekcję deepfake'ów, szkolenia i osobne potwierdzanie przelewów [7]. Warto sprawdzić, czy dostawca podaje datę trenowania modelu i czy opisuje ograniczenia swojej metody [4]. Testy na własnych scenariuszach ataku są bardziej wiarygodne niż deklarowany odsetek skuteczności [3].
Źródła
- Arup revealed as victim of $25 million deepfake scam involving Hong Kong employee (CNN, 2024)
- Arup lost $25mn in Hong Kong deepfake video conference scam (Financial Times, 2024)
- NIST IR 8491 Face Analysis Technology Evaluation (NIST, 2023)
- Deepfake: 94,2% skuteczności detekcji dzięki trójwymiarowym sieciom neuronowym (bitbiz, 2026)
- Liveness Detection: Jak Powstrzymać Deepfake’i, Spoofing i Oszustwa Tożsamościowe (identt, 2026)
- Firms use AI to keep reality from unreeling amid global deepfake pandemic (Biometric Update, 2024)
- Deepfakes in the Financial Sector: Understanding the Threats, Managing the Risks (FS-ISAC, 2024)
- Oz Forensics (Oz Forensics, 2024)
- Raport Roczny CSIRT KNF 2024 (KNF, 2024)
- Overview of selected scams - March 2024 (CSIRT KNF, 2024)
- Jak obronić się przed deepfake? Naukowcy z IDEAS NCBR znaleźli sposób (ITwiz, 2024)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji