ஒரு குற்றக் கும்பல், பிரபலங்கள் போலி பங்குச் சந்தை ஆலோசனைகளை வழங்குவது போன்ற டீப்-ஃபேக் (deep-fake) வீடியோக்களை ஸ்ட்ரீம் செய்யும் வகையில் 15,500 இணையதளங்களை அமைத்துள்ளது. இந்தச் செயல்பாடு ஏற்கனவே அப்பாவி முதலீட்டாளர்களிடமிருந்து பணத்தைத் திருடிக்கொண்டிருக்கிறது. இதன் அளவே, இவற்றைத் தனித்தனியாகக் கண்டறிந்து நீக்குவதைத் (manual takedown) சாத்தியமற்றதாக்கி, இத்தகைய மோசடிகளைக் கண்டறிந்து தடுக்கும் முறைகளை பாதுகாப்புத் टीमें மறுபரிசீலனை செய்யத் தூண்டுகிறது.
இந்த கும்பல் எவ்வாறு செயல்படுகிறது
இந்த மோசடி கும்பல் ஒரே ஒரு போலி வீடியோவை மட்டும் நம்பியிருக்கவில்லை. ஒவ்வொரு தளமும் அதைச் சொல்பவர் யார் என்பதைப் பொறுத்து மாறுபடும் வகையில் வடிவமைக்கப்பட்டுள்ளது. ஒரு தானியங்கி க்ராவலர் (automated crawler) பார்த்தால், அது "பணிகள் நடைபெற்று வருகின்றன" (under construction) என்ற சாதாரணப் பக்கத்தைக் காட்டும்; ஆனால் ஒரு மொபைல் சாதனத்தைப் பயன்படுத்தும் உண்மையான பயனர், ஒரு பிரபலம் ஒரு பங்கைப் பரிந்துரைப்பது போன்ற மிகத் தெளிவான வீடியோவைப் பார்ப்பார். இந்த முரண்பாடு, பாரம்பரிய இணையத் தேடல் கருவிகளின் (web-scraping tools) பார்வையில் படாமல் இந்தச் செயல்பாட்டைத் தப்பிக்க வைக்கிறது.
இந்த மாற்றத்தை மறைக்க, இக்குழு Keitaro போன்ற டிராஃபிக்-ரூட்டிங் (traffic-routing) சேவைகளைப் பயன்படுத்துகிறது. இவை URL-களை மறைக்கவும், IP நற்பெயர் (IP reputation), சாதனத்தின் கைரேகை (device fingerprint) அல்லது referrer header ஆகியவற்றின் அடிப்படையில் வெவ்வேறு உள்ளடக்கங்களை வழங்கவும் முடியும். இதன் விளைவாக, சாதாரண இணையதளங்களுடன் ஒன்றிப்போகும் வகையில் "ஒரே மாதிரியான" (look-alike) டொமைன்களின் ஒரு மிகப்பெரிய வலைப்பின்னல் உருவாகிறது, இது பாதுகாப்பு பாட்களை (security bots) அவற்றை மோசடித் தளங்களாகக் கண்டறிவதைக் கடினமாக்குகிறது.
ஏன் சாதாரண கண்டறிதல் முறைகள் போதுமானதாக இல்லை
பெரும்பாலான டீப்-ஃபேக் எதிர்ப்புத் தீர்வுகள், ஒரு செயற்கை வீடியோவை வெளிப்படுத்தும் காட்சித் தடயங்களைக் (visual artefacts) கண்டறிவதில் கவனம் செலுத்துகின்றன—மங்கலான விளிம்புகள், சீரற்ற ஒளி அல்லது பொருந்தாத உதட்டு அசைவு (lip sync) போன்றவை. இந்தத் திட்டத்தில், வீடியோக்கள் உயர்தர மாடல்களால் (high-quality models) உருவாக்கப்படுவதால், இத்தகைய குறைகள் அரிதாகவே காணப்படுகின்றன. உண்மையான பலவீனம் முகத்தின் வடிவியலில் (geometry of the face) உள்ளது: டீப்-ஃபேக் உருவாக்குபவர்கள் பெரும்பாலும் முக அடையாளப் புள்ளிகளுக்கு (facial landmarks) இடையிலான இடஞ்சார்ந்த உறவில் நுட்பமான முரண்பாடுகளை உருவாக்குகிறார்கள்.
எனவே, "இந்த வீடியோ போலிதானா?" என்ற ஒரு எளிய சரிபார்ப்பு, இந்த கும்பலின் பல உள்ளடக்கங்களைக் கண்டறியத் தவறிவிடுகிறது. வீடியோவில் காட்டப்படும் முகத்தை, அந்தப் பிரபலத்தின் அறியப்பட்ட, நம்பகமான ஒரு படத்துடன் ஒப்பிடும் ஒரு சரிபார்ப்பு (verification) படிநிலை அவசியமாகும்.
ஒரு சரிபார்ப்புப் பாதையை (verification pipeline) உருவாக்குதல்
டெவலப்பர்கள் தங்கள் பாதுகாப்புப் பணிப்பாய்வுகளில் (security workflows) மூன்று முக்கியத் திறன்களை இணைக்கலாம்:
- தகவமைப்பு க்ராவலிங் (Adaptive crawling) – உண்மையான பயனர் முகவரிகளைப் (user agents) போலச் செயல்படும், IP-களை மாற்றும் மற்றும் மொபைல் சாதனத்தின் பண்புகளைப் பிரதிபலிக்கும் ஹெட்லெஸ் பிரவுசர்களைப் (headless browsers) பயன்படுத்தவும். இது "பணிகள் நடைபெற்று வருகின்றன" போன்ற ஏமாற்றுப் பக்கங்களைத் தாண்டிச் சென்று உண்மையான வீடியோவைப் பெற உதவுகிறது.
- பயோமெட்ரிக் ஒப்பீடு (Biometric comparison) – வீடியோவின் ஒவ்வொரு பிரேமிலிருந்தும் முக அடையாளப் புள்ளிகளைப் பிரித்தெடுத்து, ஒரு உண்மையான குறிப்புப் புகைப்படத்தின் புள்ளிகளுடன் யூக்ளிடியன் தூரங்களை (Euclidean distances) கணக்கிடவும். அடையாளப் புள்ளிகளின் இடத்தில் ஏற்படும் சிறிய, நிலையான பிழைகள், ஒரு டீப்-ஃபேக்கிற்கான வலுவான அறிகுறியாகும். பல பிரேம்களில் இந்த ஒப்பீட்டைச் செய்வதன் மூலம், தற்காலிகத் தடைகள் அல்லது ஒளி மாற்றங்களால் ஏற்படும் தவறான முடிவுகளைத் தவிர்க்கலாம்.
- கண்டறிதலில் இருந்து சரிபார்ப்பிற்கு மாறுதல் (Shift from detection to verification) – ஒரு வீடியோவை "சாத்தியமான போலி" என்று அடையாளப்படுத்துவதற்குப் பதிலாக, அது சரிபார்க்கப்பட்ட ஆதாரத்துடன் பயோமெட்ரிக் சோதனையைத் தாண்டும் வரை அதைச் சரிபார்க்கப்படாத ஒன்றாகக் கருதவும். பொருத்தமான முகம் கண்டறியப்படாவிட்டால், அந்த உள்ளடக்கத்தை தனிமைப்படுத்தலாம் (quarantine) அல்லது மனித ஆய்வுக்கு அனுப்பலாம்.
ஒரு நடைமுறைச் செயலாக்கம் இவ்வாறு இருக்கலாம்:
- Crawler பக்கத்தைப் பெறுகிறது, ரீடைரக்ட்களைப் (redirects) பின்தொடர்கிறது மற்றும் இறுதி வீடியோ URL-ஐப் பதிவு செய்கிறது.
- Downloader வீடியோவைப் பதிவிறக்கி, அதை முக்கிய பிரேம்களாகப் (key frames) பிரிக்கிறது (உதாரணமாக, ஒரு வினாடிக்கு ஒன்று).
- Face extractor ஒவ்வொரு பிரேமிலும் முகத்தைக் கண்டறிய ஒரு இலகுவான மாடலை இயக்குகிறது.
- Landmark matcher பிரித்தெடுக்கப்பட்ட அடையாளப் புள்ளிகளுக்கும், பிரபலத்தின் அதிகாரப்பூர்வப் புகைப்படத்திலிருந்த புள்ளிகளுக்கும் இடையிலான யூக்ளிடியன் தூரத்தைக் கணக்கிடுகிறது.
- Score aggregator இடைநிலைத் தூரம் (median distance) முன் வரையறுக்கப்பட்ட அளவைத் தாண்டினால் வீடியோவைக் குறித்துக் காட்டுகிறது.
இந்தச் செயல்பாடு ஆயிரக்கணக்கான டொமைன்களைக் கொண்டிருப்பதால், ஒவ்வொரு படிநிலையையும் தானியக்கமாக்குவது அவசியமாகும். முகத்தைக் கண்டறிவதற்கும் அடையாளப் புள்ளிகளைப் பிரித்தெடுப்பதற்கும் திறந்த மூல நூலகங்கள் (open-source libraries) எளிதாகக் கிடைக்கின்றன, மேலும் யூக்ளிடியன் தூரக் கணக்கீடு கணினித் திறனை அதிகம் செலவிடாத ஒன்று என்பதால், இந்தத் திட்டத்தை ஒரு நாளைக்கு பத்தாயிரக்கணக்கான தளங்களுக்கு விரிவுபடுத்த முடியும்.
ஏற்படக்கூடிய எதிர்ப்புகள்
பயோமெட்ரிக் சரிபார்ப்பு, குறிப்பாகப் பொது நபர்களின் குறிப்புப் படங்களைச் சேமிக்கும்போது, தனியுரிமை கவலைகளை எழுப்புகிறது என்று சில பாதுகாப்புத் टीमें வாதிடுகின்றன. இதற்குப் பதிலாக, குறிப்புத் தொகுப்பு (reference set) பொதுவில் கிடைக்கக்கூடிய, உரிமம் பெற்ற புகைப்படங்களுடன் மட்டுப்படுத்தப்படலாம் என்றும், ஒப்பீட்டுப் படிநிலைக்குப் பிறகு அவை சேமிக்கப்படாது என்றும் கூறலாம். மில்லியன் கணக்கான பயனர்கள் தங்கள் முதலீட்டு நிதியை இழக்கும் அபாயம், தரவைக் கையாளுவதில் உள்ள சிறிய சிக்கல்களை விடப் பெரியது.
பிரபலங்கள் தங்கள் தோற்றத்தை மாற்றிக்கொள்ளும்போது, குறிப்பு நூலகத்தைப் (reference library) புதுப்பிப்பதற்கான பராமரிப்புச் சுமை மற்றொரு ஆட்சேபனையாகும். சரிபார்க்கப்பட்ட ஊடகங்களில் புதிய புகைப்படங்கள் தோன்றும்போதே அவற்றைச் சேர்ப்பது போன்ற படிப்படியான புதுப்பிப்புகள் (incremental updates), முழுமையான மறுசீரமைப்பின்றி இந்தப் பிரச்சினையைக் குறைக்க உதவும்.
அடுத்து கவனிக்க வேண்டியவை
இந்தக் கும்பல் traffic-masking சேவைகளைச் சார்ந்திருப்பதால், அந்தச் சேவைகளில் ஏற்படும் எந்தவொரு இடையூறும் இந்தத் திட்டத்தை தற்காலிகமாக முடக்கிவிடக்கூடும், ஆனால் அதன் அடிப்படையிலான நுட்பமான—உயர்தர deep-fakes உடன் இணைந்த dynamic content delivery—மற்ற மோசடிகளிலும் மீண்டும் தோன்ற வாய்ப்புள்ளது. பாதுகாப்பு விற்பனையாளர்கள் (Security vendors) இதுபோன்ற முறைகளைக் கண்காணிக்க வேண்டும்: crawler signatures-ன் அடிப்படையில் மாறுபட்ட உள்ளடக்கம், ஒரே video hosting bucket-ஐக் குறிக்கும் டொமைன்களில் ஏற்படும் திடீர் அதிகரிப்பு மற்றும் ஒரே மாதிரியான facial-geometry error signatures-ன் தொடர்ச்சியான பயன்பாடு.
டெவலப்பர்களுக்கு, அடுத்த கட்டம் சந்தேகத்திற்குரிய டொமைன்களின் ஒரு சிறிய தொகுப்பில் verification pipeline-ஐ முன்மாதிரியாக (prototype) உருவாக்கி, false-positive விகிதங்களை அளவிடுவது ஆகும். கண்டறிதல் முறைகளை (detection signatures) நிறுவனங்களுக்கு இடையே பகிர்ந்து கொள்வது, ஒரே வேலையைத் திரும்பத் திரும்பச் செய்வதைத் தவிர்க்க உதவும்.
முக்கியக் கருத்து: 15,500 தளங்களைக் கொண்ட இந்த deep-fake மோசடி, மோசடிகளில் நுணுக்கத்தை விட அதன் அளவே (scale) புதிய சவாலாக உருவெடுத்துள்ளது என்பதை விளக்குகிறது. adaptive crawling முறையை frame-by-frame biometric verification உடன் இணைப்பதன் மூலம், பாதுகாப்பு குழுக்கள் ஒரு மிகப்பெரிய சிக்கலைத் தானியங்கி மற்றும் அளவிடக்கூடிய ஒரு பாதுகாப்பாக மாற்ற முடியும்.