深度偽造技術(shù)對文檢綜合領(lǐng)域帶來的挑戰(zhàn)及應(yīng)對*

孫澤宇 袁得崳 王志宣 孫煒晨

1. 中國人民公安大學(xué) 2. 安全防范與風(fēng)險(xiǎn)評估公安部重點(diǎn)實(shí)驗(yàn)室 3. 公安部第一研究所 4. 多維身份識(shí)別與可信認(rèn)證技術(shù)國家工程研究中心

引言

深度偽造技術(shù)是使用深度神經(jīng)網(wǎng)絡(luò)合成視頻、圖像、聲音等媒體信息的技術(shù)。隨著對抗生成網(wǎng)絡(luò)（GAN）的出現(xiàn)，研究人員在其基礎(chǔ)上不斷改進(jìn)，深度偽造技術(shù)不斷發(fā)展，與此同時(shí)深度偽造檢測技術(shù)也隨之發(fā)展。深度偽造檢測技術(shù)同樣使用深度神經(jīng)網(wǎng)絡(luò)，二者相互博弈，互相促進(jìn)發(fā)展。本文所述的文檢綜合領(lǐng)域，包括文件檢驗(yàn)、指紋識(shí)別、虹膜識(shí)別三方面，主要討論當(dāng)前文件、指紋、虹膜的深度偽造技術(shù)以及相應(yīng)的檢測防御手段。鑒于目前的深度偽造技術(shù)的主流是人像視頻圖像合成，其它內(nèi)容合成的研究相對較少，因而本文選取了較大的范圍進(jìn)行討論。盡管相關(guān)研究較少，但也已經(jīng)出現(xiàn)了多個(gè)將深度偽造技術(shù)結(jié)合到文件、指紋、虹膜等文檢綜合領(lǐng)域的研究和應(yīng)用。

在文件偽造方面，英國倫敦大學(xué)的研究者提出了一種算法“My Text in Your Handwriting”[1]，該算法以字形為中心，通過學(xué)習(xí)間距、線條粗細(xì)和壓力參數(shù)，產(chǎn)生偽造的筆跡圖像。該算法需要帶有標(biāo)簽注釋的原筆跡樣本來生成新的筆跡圖。生成的圖像即使是打印在紙上，看起來也與手寫十分相似。

在虹膜偽造方面，李典[2]通過漸進(jìn)式增長生成對抗網(wǎng)絡(luò)（ProGAN）、深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）兩種不同的對抗生成網(wǎng)絡(luò)來生成虹膜對抗樣本，兩個(gè)對抗生成網(wǎng)絡(luò)所選擇的訓(xùn)練數(shù)據(jù)集為Iris Liveness Detection Competition2017提供的LivDet-Iris-2017-Clarkson虹膜數(shù)據(jù)集中的真實(shí)虹膜樣本集，并對數(shù)據(jù)進(jìn)行了預(yù)處理，結(jié)果顯示生成的對抗樣本使得現(xiàn)有的多種虹膜識(shí)別算法準(zhǔn)確率下降到50%左右，使得算法基本喪失檢測能力。因此現(xiàn)如今的虹膜識(shí)別技術(shù)很難應(yīng)對深度偽造虹膜樣本的攻擊。

在指紋偽造方面，Hakil Kim[3]等人設(shè)計(jì)了一種算法通過主細(xì)節(jié)集生成和指紋印模生成兩個(gè)步驟生成深度偽造指紋。主細(xì)節(jié)集利用兩階段生成對抗網(wǎng)絡(luò)（GAN），由標(biāo)準(zhǔn)正態(tài)分布采樣的隨機(jī)噪聲產(chǎn)生；指紋印模同樣通過一個(gè)GAN網(wǎng)絡(luò)生成。這些生成指紋的特征在統(tǒng)計(jì)學(xué)上與真實(shí)數(shù)據(jù)集上的指紋相比十分相似。

可以看出，深度偽造技術(shù)在文檢綜合領(lǐng)域的應(yīng)用已經(jīng)出現(xiàn)，且目前缺乏對深度偽造技術(shù)的防御措施，給文檢綜合領(lǐng)域提出了新的挑戰(zhàn)。本文將對深度偽造技術(shù)以及防御措施進(jìn)行詳細(xì)介紹。

一、深度偽造技術(shù)對文檢綜合領(lǐng)域帶來的挑戰(zhàn)

（一）文件偽造技術(shù)

1. 文件檢驗(yàn)技術(shù)

文件檢驗(yàn)主要是指利用技術(shù)手段，檢驗(yàn)和鑒定各種文件、合同、傳真掃描件、手寫文書的真?zhèn)涡?，并在民事、刑事案件的審訊和審判等處?yīng)用。傳統(tǒng)的文件檢驗(yàn)技術(shù)主要是形態(tài)學(xué)檢驗(yàn)，技術(shù)方法相對單一，需要大量的文件樣本進(jìn)行取樣判斷的同時(shí)，還需要技術(shù)人員豐富的經(jīng)驗(yàn)累積[4]。隨著科學(xué)技術(shù)的不斷進(jìn)步，偽造文件更加真實(shí)的同時(shí)，數(shù)字化圖像材料也變得十分常見，使得專業(yè)技術(shù)人員更難鑒定。尤其是目前深度學(xué)習(xí)的蓬勃發(fā)展，各種數(shù)字化的文檢材料更容易偽造，對文件檢驗(yàn)技術(shù)提出了更高的要求。單單用傳統(tǒng)的文件檢驗(yàn)方法已經(jīng)無法滿足當(dāng)今信息時(shí)代的數(shù)字化檢驗(yàn)要求。

筆跡檢驗(yàn)又稱筆跡鑒定，是文件檢驗(yàn)的重要組成部分[5]。傳統(tǒng)的筆跡檢驗(yàn)技術(shù)主要是線下對文件筆跡使用刑偵方法分析，判斷筆跡是否為他人仿寫。但是在線筆跡圖像存在較難檢驗(yàn)的問題，即同一人的兩個(gè)在線筆跡信息，也會(huì)因?yàn)榍昂髸r(shí)間、環(huán)境等因素不同而產(chǎn)生差異，這對在線筆跡鑒別精度的進(jìn)一步提高是巨大的障礙[6]。

2. 文件的深度偽造技術(shù)

文件的深度偽造主要是由深度偽造算法生成筆跡圖像或操作手寫機(jī)器模仿手寫字跡，因此本文重點(diǎn)關(guān)注筆跡偽造。初期的筆跡深度偽造技術(shù)使用長短期記憶網(wǎng)絡(luò)LSTM。作為循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的改進(jìn)，LSTM單元相比RNN的單元能維持細(xì)胞狀態(tài)并具有較大的存儲(chǔ)空間[7]。筆跡圖像存在明顯的先后序列關(guān)系，前后內(nèi)容都會(huì)影響當(dāng)前字符的書寫，而LSTM能夠長時(shí)間地保存信息，這使得它們能夠很好地進(jìn)行時(shí)間序列數(shù)據(jù)的處理、預(yù)測和分類，因而較適合筆跡偽造場景。

后來隨著對抗生成網(wǎng)絡(luò)GAN的出現(xiàn)，大多數(shù)研究轉(zhuǎn)向使用和改進(jìn)GAN進(jìn)行生成深偽筆跡。GAN模型同時(shí)擁有書寫數(shù)據(jù)的“生成算法”和“判別算法”，當(dāng)輸入一個(gè)人的真實(shí)書寫數(shù)據(jù)后，生成算法負(fù)責(zé)仿造假數(shù)據(jù)，判別算法負(fù)責(zé)鑒別真數(shù)據(jù)，如此相互博弈，在訓(xùn)練過程中生成器和判別器都會(huì)不斷進(jìn)化，最終生成器勝出，產(chǎn)生出能夠以假亂真的偽造圖像。

Ji Gan等人[8]提出了手寫仿寫對抗生成網(wǎng)絡(luò)HiGAN+模型，該模型主要有五個(gè)特殊設(shè)計(jì)的模塊，分別是全局判別器、補(bǔ)丁判別器、風(fēng)格編碼器、書寫者識(shí)別器、文本識(shí)別器。全局判別器進(jìn)行二分類，以確定輸入圖像是來自訓(xùn)練數(shù)據(jù)的真實(shí)圖像還是由生成器生成的假圖像。補(bǔ)丁鑒別器可以判斷一個(gè)給定的小區(qū)塊是由真實(shí)圖像還是假圖像裁剪而成的。這種方法通過計(jì)算小區(qū)塊的真實(shí)度來細(xì)化合成圖像的局部紋理細(xì)節(jié)。風(fēng)格編碼器能從任意的手寫圖像中分離出書寫者的書寫風(fēng)格，將任意長度的手寫圖像映射成固定大小的書寫風(fēng)格特征向量，該向量用于手寫模仿。書寫者識(shí)別器可以區(qū)分輸入的筆跡圖像屬于哪個(gè)書寫者，它的目的是指導(dǎo)生成器合成特定書寫風(fēng)格的筆跡圖像。文本識(shí)別器在真實(shí)且有標(biāo)簽的手寫圖像上進(jìn)行訓(xùn)練，用于檢測手寫圖像的文本內(nèi)容，指導(dǎo)生成器產(chǎn)生任意文本內(nèi)容為可讀的手寫圖像。這五個(gè)模塊相互配合，使得該模型能夠生成非常逼真的手寫偽造圖像。算法作者上傳了包含模型生成偽造圖像的筆跡圖像，面向網(wǎng)絡(luò)的參與者發(fā)起了判斷是否為偽造圖像的投票，總體準(zhǔn)確率為50%，這表明未經(jīng)專業(yè)訓(xùn)練的人完全無法分辨?zhèn)卧焓謱憟D像與真實(shí)圖像。

Facebook AI推出了筆跡生成AI TextStyleBrush[9]。該算法只需要一張包含一個(gè)單詞的筆跡圖片，就能較為完美地還原書寫者的字跡。而輸入一段文本內(nèi)容，加上被模仿者的筆跡，就可以生成偽造的字跡圖像；同時(shí)，該算法是基于自監(jiān)督方法訓(xùn)練的模型，可以對相同文本內(nèi)容的文字進(jìn)行風(fēng)格轉(zhuǎn)換；此外，它擁有文字識(shí)別與圖像分割的方法，能直接對任意場景下圖片中的文字進(jìn)行替換。TextStyleBrush基于能生成逼真?zhèn)卧靾D像的StyleGAN2模型。但是StyleGAN2無法控制具體每個(gè)字符的特征，無法實(shí)現(xiàn)生成指定文本的圖像；其次，StyleGAN2無法實(shí)現(xiàn)對書寫者風(fēng)格的模仿。而TextStyleBrush能夠生成包含輸入圖像文字的顏色、間隔、尺寸和風(fēng)格等信息的偽造圖像。為實(shí)現(xiàn)這些功能，TextStyleBrush將文本內(nèi)容與書寫風(fēng)格作為兩個(gè)可控變量操作模型的輸出，文本內(nèi)容作為變量解決了模型無法準(zhǔn)確生成文字內(nèi)容的問題，而書寫風(fēng)格的變量則是應(yīng)用神經(jīng)網(wǎng)絡(luò)從手寫數(shù)據(jù)中提取諸如顏色、間隔、尺寸、風(fēng)格等特征，并把這些特征應(yīng)用到輸入文本生成器中，從不同的特征層面控制輸出的圖像。并且該模型還考慮到了不同圖片分辨率不同的問題，生成器需要生成并替換原有文字，因此模型加入了能夠控制分辨率的結(jié)構(gòu)，使得生成的文字圖像與輸入圖像分辨率相同，替換前后圖像質(zhì)量不會(huì)有顯著差異，將任意場景下的文字替換成為可能。

對于漢字筆跡的深度偽造也已有學(xué)者進(jìn)行研究。Jie Chang等人[10]在GAN網(wǎng)絡(luò)的基礎(chǔ)上提出了分層對抗生成網(wǎng)絡(luò)HGAN（Hierarchical GAN）模型。該模型由兩個(gè)子網(wǎng)絡(luò)組成，首先是一個(gè)變換網(wǎng)絡(luò)，它可以在保留原圖像字符相應(yīng)結(jié)構(gòu)信息的情況下對字體進(jìn)行變換；另一個(gè)是分層對抗辨別器，用于將變換網(wǎng)絡(luò)生成的圖像與真實(shí)圖像區(qū)分開。這兩個(gè)子網(wǎng)絡(luò)都是全連接的卷積神經(jīng)網(wǎng)絡(luò)，所謂“分層”是指通過神經(jīng)網(wǎng)絡(luò)的多層特征來合成同時(shí)包含全局特征和局部特征的字體圖像。由于漢字擁有較復(fù)雜的各種結(jié)構(gòu)，分層次的設(shè)計(jì)能使模型提高合成質(zhì)量。實(shí)驗(yàn)表明與單純使用GAN相比，HGAN合成漢字的均方根誤差RMSE更低，合成效果更好。

除了數(shù)字筆跡圖像的偽造，亦有紙質(zhì)筆跡深度偽造。在2017年度GeekPwn國際極客挑戰(zhàn)賽中，中國金融認(rèn)證中心（CFCA）的李闖等人開發(fā)的DeepWritting模型操作一臺(tái)由廉價(jià)3D打印機(jī)改造的機(jī)械臂用筆在紙上書寫。該模型并未披露具體細(xì)節(jié)，但是使用了GAN網(wǎng)絡(luò)，僅需20小時(shí)的訓(xùn)練，就使得專業(yè)鑒定師的誤判率達(dá)到50%。該成果說明，深度筆跡偽造已經(jīng)使單純的人工筆跡鑒定不再可靠。

（二）虹膜偽造技術(shù)

1. 虹膜識(shí)別技術(shù)的基本原理

虹膜圖像的識(shí)別主要分為以下三步[11]：第一步是虹膜圖像的獲取，需要用近紅外光補(bǔ)充來采集虹膜照片；第二步是虹膜圖像的處理，主要是定位、裁剪和歸一化處理；第三步是虹膜圖像特征的提取和特征匹配，從虹膜特征庫匹配得到結(jié)果即識(shí)別結(jié)束。

2. 虹膜的偽造技術(shù)

隨著虹膜識(shí)別研究的不斷發(fā)展，針對虹膜識(shí)別系統(tǒng)的偽造虹膜攻擊手段也隨之增多，給虹膜識(shí)別系統(tǒng)的安全性帶來了巨大的挑戰(zhàn)，在從采集虹膜數(shù)據(jù)到確認(rèn)識(shí)別結(jié)果的每個(gè)環(huán)節(jié)上，都存在攻擊生物特征識(shí)別系統(tǒng)的手段。典型的手段包括使用偽造的生物特征識(shí)別、重放錄像攻擊等，這些攻擊手段能夠攻破大量識(shí)別系統(tǒng)。與人臉識(shí)別相比，虹膜識(shí)別雖然具有更高的辨識(shí)區(qū)分性，但由于相比人臉采集難度更大，應(yīng)用場景相對更少，對虹膜的對抗樣本研究起步比較晚。目前虹膜識(shí)別領(lǐng)域針對對抗樣本（尤其是由對抗生成網(wǎng)絡(luò)生成的虹膜對抗樣本）的研究還很少。

（三）指紋偽造技術(shù)

1. 指紋技術(shù)的基本原理

現(xiàn)有指紋采集和識(shí)別技術(shù)主要通過光感、電容和電磁波等方式來獲取手指紋理，對其進(jìn)行圖形化處理之后得到特征，再將特征進(jìn)行比對，最終實(shí)現(xiàn)識(shí)別。指紋的圖形化處理，主要包括提取其三級(jí)特征[12]：指紋的紋型，指紋的細(xì)節(jié)點(diǎn)，指紋紋線上的汗孔、紋線形態(tài)、早生紋線、疤痕等。通過機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)的方法訓(xùn)練指紋對比模型，進(jìn)行特征提取以及特征對比，最終實(shí)現(xiàn)指紋識(shí)別。

2. 指紋的深度偽造技術(shù)

現(xiàn)在已有使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，創(chuàng)建出以假亂真的偽造指紋，其圖像質(zhì)量與原始指紋數(shù)據(jù)相當(dāng)。常用的偽造方式是使用生成對抗網(wǎng)絡(luò)（GAN）偽造指紋。GAN網(wǎng)絡(luò)可以通過對抗式訓(xùn)練，制造帶有數(shù)據(jù)噪音的深度偽造的圖片，可用于數(shù)據(jù)增強(qiáng)，也可用于攻破特定的識(shí)別系統(tǒng)。Philip Bontrager[13]等人提出了DeepMasterPrints方法。該方法利用對抗生成網(wǎng)絡(luò)生成指紋圖像。具體來說，是先生成海量假指紋，利用進(jìn)化優(yōu)化算法搜索神經(jīng)網(wǎng)絡(luò)的潛在變量空間，采用協(xié)方差矩陣自適應(yīng)進(jìn)化策略（CMA-ES）搜索訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的輸入空間，最終得到匹配指紋數(shù)最多的假指紋，被稱為MasterPrints。在指紋識(shí)別系統(tǒng)不超過0.1%的錯(cuò)誤匹配率下，該指紋可以冒充23%的數(shù)據(jù)集樣本攻破電容式指紋識(shí)別設(shè)備，而若降到1%的錯(cuò)誤匹配率，則可冒充77%的數(shù)據(jù)集樣本。

（四）深度偽造對文檢綜合領(lǐng)域帶來的挑戰(zhàn)

顯然，深度偽造給文檢綜合領(lǐng)域帶來了嚴(yán)峻的挑戰(zhàn)。一是在文件檢驗(yàn)方面，已有多種筆跡偽造生成技術(shù)，其中有些技術(shù)不僅能騙過普通人，甚至能騙過專業(yè)的筆跡鑒定師，這說明傳統(tǒng)的文件檢驗(yàn)方法可能不再完全可靠；二是在虹膜、指紋識(shí)別方面，研究者提出的偽造算法生成的對抗樣本，能夠攻破各類識(shí)別設(shè)備使之失效，說明這些設(shè)備存在較嚴(yán)重的安全隱患；三是目前文檢綜合領(lǐng)域的深度偽造檢測防御技術(shù)十分不成熟，鮮有研究，并且研究均基于其自身提出的偽造算法生成偽造樣本的基礎(chǔ)上進(jìn)行檢測，泛化性能無法得到驗(yàn)證，在實(shí)際應(yīng)用場景下的實(shí)用價(jià)值還有待確認(rèn)。

二、文檢綜合偽造技術(shù)的應(yīng)對

（一）技術(shù)應(yīng)對，安全防御

1. 文件偽造的檢測與防御

目前文件偽造技術(shù)的檢測主要針對筆跡的仿寫進(jìn)行檢測，截至目前還幾乎沒有已發(fā)表的針對筆跡的深度偽造檢測方法。而當(dāng)前針對仿寫筆跡圖像進(jìn)行檢測的算法在面對深度偽造筆跡圖像時(shí)，極有可能無法準(zhǔn)確檢測出筆跡的真?zhèn)巍?/p>

鑒于目前缺少針對深偽筆跡的檢測方法，筆者根據(jù)通用的深偽內(nèi)容檢測技術(shù)進(jìn)行思路的擴(kuò)展。由于許多偽造筆跡都由對抗生成網(wǎng)絡(luò)GAN生成，而GAN網(wǎng)絡(luò)生成的圖像往往存在一些肉眼可見或不可見的偽造痕跡，這些偽造痕跡被稱為GAN模型的指紋。使用邏輯回歸、SVM等機(jī)器學(xué)習(xí)算法或神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)二分類器，可以將問題轉(zhuǎn)化為分辨筆跡是否為深度偽造的二分類任務(wù)。可以將圖像的RGB通道輸入卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取圖像的特征并進(jìn)行分類，這其中可以引入注意力機(jī)制使檢測模型專注于圖像的偽造區(qū)域從而提升檢測效果；也可以從偽造圖像的頻域特征考慮，通過離散傅里葉變換提取圖像的頻域信息，對圖像的高頻特征進(jìn)行處理，再送入分類器進(jìn)行分類，最終得到筆跡是否為偽造。此外，還存在筆跡偽造檢測模型訓(xùn)練缺少數(shù)據(jù)集的問題。不過通過現(xiàn)有多種字跡深度偽造算法，研究者可以生成訓(xùn)練所需要的數(shù)據(jù)集。

現(xiàn)在也有許多研究針對GAN生成模型的一般性偽造痕跡進(jìn)行檢測，這些檢測方法可以為深偽筆跡檢測提供參考。Dong等人[14]根據(jù)現(xiàn)有模型跨數(shù)據(jù)集泛化能力較差的問題，提出了偽影檢測模塊，可以自動(dòng)實(shí)現(xiàn)偽影區(qū)域的定位，更準(zhǔn)確地識(shí)別偽造圖像。 McCloskey 等人[15]研究發(fā)現(xiàn)偽造圖片與真實(shí)圖片的色彩與飽和度存在偏差，并以此為特征進(jìn)行檢測；Liu 等人[16]提出了空間相位淺層學(xué)習(xí)方法，驗(yàn)證了偽造圖像和真實(shí)圖像在頻域中存在差異，最后通過淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行區(qū)分；Guarnera等人[17]使用期望最大化算法提取出偽造過程中生成模型的局部特征，用于訓(xùn)練支持向量機(jī)SVM等分類器進(jìn)行二分類。

2. 虹膜偽造的檢測與防御

現(xiàn)在雖然己有一些針對虹膜偽造樣本的檢測算法研究，但這些算法都是針對某一類特定偽造樣本來進(jìn)行防偽檢測，即需知道攻擊系統(tǒng)的偽造虹膜種類這一先驗(yàn)知識(shí)，這與現(xiàn)實(shí)場景下偽造攻擊種類不可知的情況相悖。由于虹膜信息安全研究對于信息安全以及個(gè)人信息安全都有著重要意義，虹膜信息安全的防偽算法普適性、算法健壯性研究對于推動(dòng)虹膜識(shí)別的廣泛應(yīng)用有著重要的意義與作用，具有較大發(fā)展前景。

有學(xué)者提出了對抗樣本檢測網(wǎng)絡(luò)模型ACDNet[2]，由于偽造虹膜樣本的攻擊性來自于紋理特征與真實(shí)虹膜高度相似，然而基于對抗生成網(wǎng)路的局限性，偽造樣本的深層特征與真實(shí)虹膜仍有較大差異。這種差異很難使用頻譜分析方法或紋理特征方法提取，但ACDNet判別網(wǎng)絡(luò)結(jié)構(gòu)中設(shè)計(jì)了多次卷積池化，可以提取到這些特征。實(shí)驗(yàn)表明，使用ACDNet識(shí)別對抗樣本的準(zhǔn)確率可以提升至90%以上。

3. 指紋偽造的檢測與防御

應(yīng)對深度偽造指紋重要的一環(huán)是活體檢測，可以通過深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)指紋的活體檢測。Hakil Ki[3]等人根據(jù)自己算法生成的深度偽造指紋提出了一種深度卷積神經(jīng)網(wǎng)絡(luò)，用于檢驗(yàn)指紋圖像活性的呈現(xiàn)攻擊檢測。實(shí)驗(yàn)證明，該檢測網(wǎng)絡(luò)可以在LivDet2011、LivDet2013、LivDet2015 數(shù)據(jù)集上實(shí)現(xiàn)1.57%的錯(cuò)誤識(shí)別率。此外，還可以通過加入紅外模塊、血流心率感應(yīng)模塊來進(jìn)行檢測，這些生物信號(hào)是判斷指紋是否為活體的有力依據(jù)，能達(dá)到防御深偽指紋攻擊的目的。

（二）規(guī)范立法，制定標(biāo)準(zhǔn)

為了防止深度偽造被濫用，亟需制定相應(yīng)法律規(guī)范。 2022年11月3日，國家互聯(lián)網(wǎng)信息辦公室會(huì)議審議通過了《互聯(lián)網(wǎng)信息服務(wù)深度合成管理規(guī)定》，規(guī)定了深度偽造內(nèi)容的服務(wù)提供者和使用者不得制作、傳播危害社會(huì)和個(gè)人利益的內(nèi)容，不得使用深度偽造內(nèi)容制造虛假新聞。同時(shí)要求深度偽造服務(wù)提供者應(yīng)當(dāng)提供顯著標(biāo)識(shí)功能，任何組織和個(gè)人不得刪除、修改這些深度合成標(biāo)識(shí)。文件、指紋、虹膜的偽造與人臉等偽造不同，人臉的偽造可能用于藝術(shù)創(chuàng)作、電影制作等領(lǐng)域中，但是文件、指紋、虹膜等的偽造很難有積極用途，若將其用于攻擊他人設(shè)備、偽造相關(guān)電子文書證據(jù)，則可能構(gòu)成犯罪。該規(guī)定填補(bǔ)了我國在深度偽造領(lǐng)域法律法規(guī)的空白。

三、結(jié)語

本文對文件、筆跡、指紋、虹膜的檢驗(yàn)等文檢綜合技術(shù)的基本原理進(jìn)行總結(jié)，并給出了幾種對現(xiàn)有檢測技術(shù)進(jìn)行深度偽造攻擊的手段。深度偽造的文件、筆跡、指紋、虹膜等文檢綜合材料對現(xiàn)有的檢測方法均有較強(qiáng)的欺騙能力，而現(xiàn)有針對深度偽造內(nèi)容的檢測技術(shù)研究較少，且大多數(shù)都是對自己通過神經(jīng)網(wǎng)絡(luò)生成的深度偽造數(shù)據(jù)集進(jìn)行檢測，因而其模型的泛化能力未得到驗(yàn)證?，F(xiàn)有的技術(shù)已經(jīng)證明，深度偽造文檢材料完全有能力騙過人工文檢專家，因此文檢綜合領(lǐng)域的深度偽造檢測還需要進(jìn)一步研究。下一步應(yīng)當(dāng)結(jié)合最新的深度偽造檢測技術(shù)，考慮偽造網(wǎng)絡(luò)模型生成圖像的特征，識(shí)別出圖像的深度偽造痕跡，提升檢測模型的準(zhǔn)確率和泛化能力。