一个犯罪集团设立了 15,500 个网站，通过流媒体播放知名人士的深度伪造（deep-fake）视频，推销虚假的股票建议，该行动已经开始从不知情的投资者手中骗取资金。仅其规模就使得手动删除变得不可能，迫使安全团队重新思考如何识别和拦截此类欺诈行为。
该团伙的运作方式
诈骗者并不依赖单一的虚假视频。每个网站都经过编程，根据访问者的身份表现出不同的行为。自动化爬虫看到的是一个平淡的“建设中”页面，而通过移动设备访问的真实用户则会看到一段制作精良的视频，视频中似乎有一位名人正在推荐某只股票。这种差异使得该行动能够避开传统网页抓取工具的监测。
为了隐藏这种切换，该团伙使用了 Keitaro 等流量路由服务，这些服务可以隐藏 URL，并根据 IP 声誉、设备指纹或 Referrer 请求头提供不同的内容。其结果是形成了一个庞大的“仿冒”域名网络，融入到正常的网络环境中，使安全机器人难以将其标记为恶意网站。
为什么标准检测手段收效甚微
大多数反深度伪造解决方案都侧重于识别揭示合成视频的视觉伪影——模糊的边缘、不一致的光照或对不上的口型。在这次行动中，这些线索非常罕见，因为视频是使用高质量模型渲染的。真正的漏洞在于面部几何结构：深度伪造生成器经常会在面部关键点之间的空间关系中引入细微的差异。
因此，简单的“这段视频是假的吗？”检查会错过该团伙的许多内容。现在需要的是一个验证步骤，将视频中显示的脸部与该名人已知的、可信的图像进行对比。
构建验证流水线
开发人员可以将三种核心能力嵌入到其安全工作流中：
- 自适应爬取 (Adaptive crawling) – 使用模拟真实用户代理、轮换 IP 并模拟移动设备特征的无头浏览器。这有助于绕过“建设中”的诱饵并获取实际的视频负载。
- 生物识别对比 (Biometric comparison) – 从视频的每一帧中提取面部关键点，并计算其与真实参考照片关键点之间的欧几里得距离。关键点位置出现的细微且一致的误差是深度伪造的强有力指标。在多个帧上运行对比可以减少由瞬间遮挡或光照变化引起的误报。
- 从检测转向验证 (Shift from detection to verification) – 不要将视频标记为“可能为假”，而是将其视为“未经验证”，直到它通过了针对经过审核来源的生物识别检查。如果未找到匹配项，则可以将内容隔离或发送进行人工审核。
一个实际的实现方案可能如下所示：
- 爬虫 (Crawler) 获取页面，跟随重定向，并记录最终的视频 URL。
- 下载器 (Downloader) 下载视频并将其拆分为关键帧（例如，每秒一帧）。
- 面部提取器 (Face extractor) 运行轻量级模型以定位每一帧中的面部。
- 关键点匹配器 (Landmark matcher) 计算提取的关键点与该名人官方肖像中的关键点之间的欧几里得距离。
- 评分聚合器 (Score aggregator) 如果中值距离超过预定义阈值，则将视频标记为异常。
由于该行动涉及数千个域名，因此自动化每个步骤至关重要。面部检测和关键点提取的开源库随处可见，且欧几里得距离计算的计算成本很低，这使得流水线每天能够扩展到数万个网站。
可能面临的阻力
一些安全团队认为，生物识别验证会引发隐私担忧，尤其是当涉及存储公众人物的参考图像时。反驳的观点是，参考集可以仅限于公开可用的授权照片，并且绝不会在对比步骤之后进行持久化存储。数百万用户被骗走投资资金的风险，远大于涉及的少量数据处理工作。
另一个反对意见是，随着名人的外貌发生变化，保持参考库更新的维护成本过高。增量更新——在经过验证的媒体中出现新头像时将其添加进去——可以在不需要重新构建整个库的情况下缓解这个问题。
后续关注点
The ring’s reliance on traffic-masking services means that any disruption to those services could temporarily blunt the campaign, but the underlying technique—dynamic content delivery paired with high-quality deep-fakes—will likely reappear in other scams. Security vendors should monitor for similar patterns: divergent content based on crawler signatures, sudden spikes in domains pointing to the same video hosting bucket, and repeated use of the same facial-geometry error signatures.
For developers, the next step is to prototype the verification pipeline on a small subset of suspicious domains and measure false-positive rates. Sharing detection signatures across organizations can also reduce duplication of effort.
Takeaway: The 15,500-site deep-fake scam illustrates that scale, not just sophistication, is the new frontier for fraud. By combining adaptive crawling with frame-by-frame biometric verification, security teams can turn an overwhelming problem into an automated, measurable defense.