Мошенничество с использованием синтетических цифровых личностей
Аннотация
Синтетическая цифровая личность – это цифровая запись о некоторой личности (персоне), содержащая стандартные атрибуты личности (имя, телефон, адрес и т.д.), значения которых полностью сфабрикованы или скомпилированы из реальных и вымышленных данных. С развитием цифровизации в мире и, в частности, услуг по предоставлению удаленной идентификации клиентов, онлайн-банкинг и бизнес подвергаются атакам с использованием все более сложных схем мошенничества с задействованием таких синтетических персон. Например, в США вместо использования украденной кредитной карты или удостоверения личности (ID) многие мошенники теперь используют фиктивные, искусственные удостоверения личности для получения кредита. По многим оценкам, мошенничество с искусственными идентификационными данными является самым быстрорастущим видом финансовых преступлений в Соединенных Штатах, на долю которого приходится от 10 до 15 процентов списаний в типичном портфеле необеспеченных кредитов. Еще более тревожным является то, что за этими идентификаторами накапливаются гораздо большие потери, что превращает их в скрытые бомбы замедленного действия. Определить фиктивные данные может оказаться весьма сложной задачей. Для машинного обучения, например, отличия фиктивный данных от настоящих могут быть очень незначительными. Углубленный анализ данных, оставленных реальными людьми, может помочь банкам определить, являются ли их клиенты реальными или нет, и предотвратить убытки от этого быстро растущего вида финансовых преступлений. В работе рассматриваются вопросы создания таких данных, подходы к их выявлению и схемы угроз с их использованием, проведена оценка масштабируемости угрозы синтетических цифровых личностей на территории Российской Федерации и предложена терминология на русском языке для описания области синтетических цифровых личностей.
Литература
2. Boutros F. et al. ExFaceGAN: Exploring Identity Directions in GAN's Learned Latent Space for Synthetic Identity Generation. arXiv:2307.05151. 2023. Available at: https://arxiv.org/abs/2307.05151 (accessed 23.06.2023).
3. Qiu H., Yu B., Gong D., Li Z., Liu W., Tao D. SynFace: Face Recognition with Synthetic Data. In: 2021 IEEE/CVF International Conference on Computer Vision (ICCV). Montreal, QC, Canada: IEEE Computer Society; 2021. p. 10860-10870. doi: https://doi.org/10.1109/ICCV48922.2021.01070
4. Boutros F., Huber M., Siebke P., Rieber T., Damer N. SFace: Privacy-friendly and Accurate Face Recognition using Synthetic Data. In: 2022 IEEE International Joint Conference on Biometrics (IJCB). Abu Dhabi, United Arab Emirates: IEEE Computer Society; 2022. p. 1-11. doi: https://doi.org/10.1109/IJCB54206.2022.10007961
5. Bae G. et al. DigiFace-1M: 1 Million Digital Face Images for Face Recognition. In: 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). Waikoloa, HI, USA: IEEE Computer Society; 2023. p. 3515-3524. doi: https://doi.org/10.1109/WACV56688.2023.00352
6. Boutros F., Klemt M., Fang M., Kuijper A., Damer N. Unsupervised Face Recognition using Unlabeled Synthetic Data. In: 2023 IEEE 17th International Conference on Automatic Face and Gesture Recognition (FG). Waikoloa Beach, HI, USA: IEEE Computer Society; 2023. p. 1-8. doi: https://doi.org/10.1109/FG57933.2023.10042627
7. Kolf J.N., Rieber T., Elliesen J., Boutros F., Kuijper A., Damer N. Identity-driven Three-Player Generative Adversarial Network for Synthetic-based Face Recognition. In: 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Vancouver, BC, Canada: IEEE Computer Society; 2023. p. 806-816. doi: https://doi.org/10.1109/CVPRW59228.2023.00088
8. Shoshan A., Bhonker N., Kviatkovsky I., Medioni G. GAN-Control: Explicitly Controllable GANs. In: 2021 IEEE/CVF International Conference on Computer Vision (ICCV). Montreal, QC, Canada: IEEE Computer Society; 2021. p. 14063-14073. doi: https://doi.org/10.1109/ICCV48922.2021.01382
9. Lu Y., Chai J., Cao X. Live speech portraits: real-time photorealistic talking-head animation. ACM Transactions on Graphics. 2021;40(6):220. doi: https://doi.org/10.1145/3478513.3480484
10. Xu Z., Hong Z., Ding C., Zhu Z., Han J., Liu J., Ding E. MobileFaceSwap: A Lightweight Framework for Video Face Swapping. Proceedings of the AAAI Conference on Artificial Intelligence. 2022;36(3):2973-2981. doi: https://doi.org/10.1609/aaai.v36i3.20203
11. Groshev A., Maltseva A., Chesakov D., Kuznetsov A., Dimitrov D. GHOST ‒ A New Face Swap Approach for Image and Video Domains. IEEE Access. 2022;10:83452-83462. doi: https://doi.org/10.1109/ACCESS.2022.3196668
12. Jia F., Yang S. Video face swap with DeepFaceLab. In: Proceedings of SPIE 12168, International Conference on Computer Graphics, Artificial Intelligence, and Data Processing (ICCAID 2021). SPIE; 2022. Article number: 121681H. doi: https://doi.org/10.1117/12.2631297
13. Zhang L., Yang H., Qiu T., Li L. AP-GAN: Improving Attribute Preservation in Video Face Swapping. IEEE Transactions on Circuits and Systems for Video Technology. 2022;32(4):2226-2237. doi: https://doi.org/10.1109/TCSVT.2021.3089724
14. Qiu H., Jiang H., Zhou H., Wu W., Liu Z. StyleFaceV: Face Video Generation via Decomposing and Recomposing Pretrained StyleGAN3. arXiv:2208.07862 2022. doi: https://doi.org/10.48550/arXiv.2208.07862
15. Yin F. et al. StyleHEAT: One-Shot High-Resolution Editable Talking Face Generation via Pre-trained StyleGAN. In: Avidan S., Brostow G., Cissé M., Farinella G.M., Hassner T. (eds.) Computer Vision – ECCV 2022. ECCV 2022. Lecture Notes in Computer Science. Vol. 13677. Cham: Springer; 2022. p. 85-101. doi: https://doi.org/10.1007/978-3-031-19790-1_6
16. Wu Y. et al. AniFaceGAN: Animatable 3D-Aware Face Image Generation for Video Avatars. In: Advances in Neural Information Processing Systems (NeurIPS 2022). 2022;35:36188-36201. Available at: https://proceedings.neurips.cc/paper_files/paper/2022/hash/eae78bf2712f222f101bd7d12f875a57-Abstract-Conference.html (accessed 23.06.2023).
17. Koujan M.R., Doukas M.C., Roussos A., Zafeiriou S. Head2Head: Video-based Neural Head Synthesis. In: 2020 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2020). Buenos Aires, Argentina: IEEE Computer Society; 2020. p. 16-23. doi: https://doi.org/10.1109/FG47880.2020.00048
18. Kong J., Kim J., Bae J. HiFi-GAN: generative adversarial networks for efficient and high fidelity speech synthesis. In: Proceedings of the 34th International Conference on Neural Information Processing Systems (NIPS'20). Article number: 1428. Red Hook, NY, USA: Curran Associates Inc.; 2020. p. 17022-17033. Available at: https://dl.acm.org/doi/pdf/10.5555/3495724.3497152 (accessed 23.06.2023).
19. Tan X. et al. Naturalspeech: End-to-end text to speech synthesis with human-level quality. arXiv:2205.04421v2. 2022. doi: https://doi.org/10.48550/arXiv.2205.04421
20. Huang R. et al. FastDiff: A Fast Conditional Diffusion Model for High-Quality Speech Synthesis. In: Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence Main Track. Pages 4157-4163.
21. Dale R. GPT-3: What’s it good for? Natural Language Engineering. 2021;27(1):113-118. doi:https://doi.org/10.1017/S1351324920000601
22. Touvron H. et al. LLaMA: Open and Efficient Foundation Language Models. arXiv:2302.13971. 2023. doi: https://doi.org/10.48550/arXiv.2302.13971
23. Scao T. L. et al. Bloom: A 176B-Parameter Open-Access Multilingual Language Model. arXiv:2211.05100. 2022. doi: https://doi.org/10.48550/arXiv.2211.05100
24. Khan I., Bokhari M.U., Hanafi B., Zeyauddin M. Synthetic Identity Detection using Inductive Graph Convolutional Networks. In: 2023 10th International Conference on Computing for Sustainable Global Development (INDIACom). New Delhi, India: IEEE Computer Society; 2023. p. 973-978.
25. Liang C. Z. et al. Credit Monitoring Application: Protect Children from Child Identity Theft. International Journal of Data Science and Advanced Analytics. 2022;4:77-83. Available at: http://www.ijdsaa.com/index.php/welcome/article/view/146 (accessed 23.06.2023).
26. Srivastava S., Singh A.K. Fraud detection in the distributed graph database. Cluster Computing. 2023;26(1):515-537. doi: https://doi.org/10.1007/s10586-022-03540-3
27. Minaee S., Abdolrashidi A. Finger-GAN: Generating Realistic Fingerprint Images Using Connectivity Imposed GAN. arXiv:1812.10482. 2018. doi: https://doi.org/10.48550/arXiv.1812.10482
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
