СТРУКТУРНО-ФУНКЦИОНАЛЬНЫЙ СИНТЕЗ ПОДСИСТЕМЫ ОБНАРУЖЕНИЯ АТАК НА БИОМЕТРИЧЕСКОЕ ПРЕДЪЯВЛЕНИЕ С ПРИМЕНЕНИЕМ СУБЪЕКТОЗАВИСИМОГО МЕТОДА

Михаил В. Евсюков, Михаил М. Путято, Александр С. Макарян, Александр Н. Черкасов

Аннотация


Основная тенденция, присущая современным исследованиям в области обнаружения атак на биометрическое предъявление (ОАБП), заключается в том, что в большинстве работ применяется субъектонезависимый подход. Тем не менее, существует ряд исследований, свидетельствующих о перспективности применения субъектозависимого подхода, который подразумевает использование информации о предполагаемой личности субъекта для увеличения точности обнаружения спуфинга. Ранее был предложен субъектозависимый метод ОАБП в системах распознавания диктора на основе обнаружения аномалий, который позволил увеличить точность обнаружения синтезированного голоса по сравнению с субъектонезависимым подходом. Однако в существующих исследованиях и нормативных документах представлено подробное описание только для субъектонезависимых подсистем ОАБП. В связи с этим цель данной статьи – разработка детального описания субъектозависимого метода ОАБП в системах распознавания диктора на основе обнаружения аномалий. Поскольку в существующих исследованиях и нормативных документах для описания биометрической системы и подсистемы ОАБП применяются структурные и функциональные схемы, используемые в данной работе в качестве основы для детализации изменений, которые вносятся в подсистему ОАБП при реализации субъектозависимого метода на основе обнаружения аномалий. В результате разработан набор схем, которые дополняют существующее описание субъектонезависимых подсистем ОАБП, и являются наглядным представлением структуры субъектозависимой подсистемы ОАБП и выполняемых процессов. Полученные результаты могут быть использованы для обнаружения ложной и вредоносной информации (дипфейков). В ходе дальнейших исследований планируется выполнить математическую формализацию предложенных описаний субъектонезависимой и субъектозависимой подсистем ОАБП.


Ключевые слова


обнаружение атак на биометрическое предъявление, голосовая биометрия, субъектозависимый подход, дипфейк, обнаружение аномалий, биометрическая система, обнаружение спуфинга

Полный текст:

PDF

Литература


1. Bai Z., Zhang X.L. Speaker recognition based on deep learning: An overview. Neural Networks. 2021, v. 140, pp. 65-99. DOI: https://doi.org/10.1016/j.neunet.2021.03.004.

2. Sharma R. et al. Milestones in speaker recognition. Artificial Intelligence Review. 2024, v. 57, no. 3, p. 58. DOI: https://doi.org/10.1007/s10462-023-10688-w.

3. Sahidullah, M. et al. (2023). Introduction to Voice Presentation Attack Detection and Recent Advances. In: Marcel, S., Fierrez, J., Evans, N. (eds) Handbook of Biometric Anti-Spoofing. Advances in Computer Vision and Pattern Recognition. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-19-5288-3_13.

4. Rajan R., Noumida A., Sreelakshmi S. Paraconsistent Feature Analysis for the Competency Evaluation of Voice Impersonation. 2023 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU), Taipei, Taiwan, 2023, pp. 1-7. DOI: https://doi.org/10.1109/ASRU57964.2023.10389658.

5. Минаев В.А., Дворянкин С.В., Алюшин А.М. Методы биомаркирования защищаемых объектов. Информация и безопасность. 2023, Т. 26, № 3, с. 321-328. DOI: https://doi.org/10.36622/VSTU.2023.26.3.016.
Minaev V.A., Dvoryankin S.V., Alyushin A.M. Methods of biomarking protected objects. Informatsiya i bezopastnost. 2023, v. 6, no. 3, pp. 321-328. DOI: https://doi.org/10.36622/VSTU.2023.26.3.016 (in Russian).

6. Veesa S., Singh M. Deep learning countermeasures for detecting replay speech attacks: a review. Int J Speech Technol 28, 39-51 (2025). DOI: https://doi.org/10.1007/s10772-024-10163-z.

7. Khanjani Z., Watson G., Janeja V.P. Audio deepfakes: A survey. Front. Big Data 5:1001063. DOI: https://doi.org/10.3389/fdata.2022.1001063.

8. Abdullah H. et al. Hear «no Evil», See «kenansville»*: Efficient and transferable black-box attacks on speech recognition and voice identification systems. 2021 IEEE Symposium on Security and Privacy (SP), San Francisco, CA, USA, 2021, pp. 712-729. DOI: https://doi.org/10.1109/SP40001.2021.00009.

9. Abdullah H. et al. Beyond Lp Сlipping: Equalization-based Equalization based Psychoacoustic Attacks against ASRs. Asian Conference on Machine Learning, 2021, pp. 672–688. URL: https://proceedings.mlr.press/v157/abdullah21a.html (accessed: 17.07.2026).

10. Lan J. et al. Adversarial attacks and defenses in Speaker Recognition Systems: A survey. Journal of Systems Architecture. 2022, v. 127, p. 102526. DOI: https://doi.org/10.1016/j.sysarc.2022.102526.

11. Tan H. et al. Adversarial Attack and Defense Strategies of Speaker Recognition Systems: A Survey. Electronics. 2022, v. 11, no. 14. DOI: https://doi.org/10.3390/electronics11142183.

12. Khan, A., Malik, K.M., Ryan, J. et al. Battling voice spoofing: a review, comparative analysis, and generalizability evaluation of state-of-the-art voice spoofing counter measures. Artif Intell Rev 56 (Suppl 1), 513-566 (2023). DOI: https://doi.org/10.1007/s10462-023-10539-8.

13. Wang, X., Yamagishi, J. (2022). A Practical Guide to Logical Access Voice Presentation Attack Detection. In: Khosravy, M., Echizen, I., Babaguchi, N. (eds) Frontiers in Fake Media Generation and Detection. Studies in Autonomic, Data-driven and Industrial Computing. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-19-1524-6_8.

14. Suthokumar G. et al. An analysis of speaker dependent models in replay detection. APSIPA Transactions on Signal and Information Processing. 2020, v. 9. DOI: https://doi.org/10.1017/ATSIP.2020.9.

15. Fatemifar S. et al. Client-specific anomaly detection for face presentation attack detection. Pattern Recognition. 2021, v. 112. DOI: https://doi.org/10.1016/j.patcog.2020.107696.

16. Евсюков М.В. Субъектозависимый метод обнаружения атак на биометрическое предъявление в системах распознавания диктора на основе обнаружения аномалий. Информатика и автоматизация, 24(1), 193-228. DOI: https://doi.org/10.15622/ia.24.1.8.
Evsyukov M. Speaker-Specific Method of Spoofing Attack Detection Based on Anomaly Detection. Informatics and Automation, 24(1), 193-228. DOI: https://doi.org/10.15622/ia.24.1.8 (in Russian).

17. Wei, L., Long, Y., Wei, H., Li, Y. (2022). New Acoustic Features for Synthetic and Replay Spoofing Attack Detection. Symmetry, 14(2), 274. DOI: https://doi.org/10.3390/sym14020274.

18. Hua G., Teoh A.B.J., Zhang H. Towards end-to-end synthetic speech detection. IEEE Signal Processing Letters. 2021, v. 28, pp. 1265-1269. DOI: https://doi.org/10.1109/LSP.2021.3089437.

19. Amorim L.B.V., Cavalcanti G.D.C., Cruz R.M.O. The Choice of Scaling Technique Matters for Classification Performance. Applied Soft Computing. 2023, v. 133. DOI: https://doi.org/10.1016/j.asoc.2022.109924.

20. Wang C., Xu R., Xu S., Meng W., Zhang X. CNDesc: Cross Normalization for Local Descriptors Learning. IEEE Transactions on Multimedia. v. 25, pp. 3989-4001, 2022. DOI: https://doi.org/10.1109/TMM.2022.3169331.

21. Dorabiala O., Aravkin A.Y., Kutz J.N. Ensemble Principal Component Analysis. IEEE Access. 2024, v. 12, pp. 6663-6671. DOI: https://doi.org/10.1109/ACCESS.2024.3350984.

22. Januzaj Y., Luma A. Cosine Similarity. (2022). A Computing Approach to Match Similarity Between Higher Education Programs and Job Market Demands Based on Maximum Number of Common Words. International Journal of Emerging Technologies in Learning. 17(12), pp. 258-268. DOI: https://doi.org/10.3991/ijet.v17i12.30375.

23. Ghorbani H. Mahalanobis Distance and its Application for Detecting Multivariate Outliers. Facta Universitatis, Series: Mathematics and Informatics. 2019, v. 34, no. 3, pp. 583-595. DOI: https://doi.org/10.22190/fumi1903583g.

24. Alegre F., Amehraye A., Evans N. A One-Class Classification Approach to Generalised Speaker Verification Spoofing Countermeasures Using Local Binary Patterns. IEEE 6th International Conference on Biometrics: Theory, Applications and Systems (BTAS). 2013, pp. 1-8. DOI: https://doi.org/10.1109/BTAS.2013.6712706.

25. Scrucca L. Entropy-Based Anomaly Detection for Gaussian Mixture Modeling. Algorithms, 16(4), 195.DOI: https://doi.org/10.3390/a16040195.

26. Liu F.T., Ting K.M., Zhou Z.H. Isolation forest. Proceedings of the Eighth IEEE International Conference on Data Mining (ICDM). 2008, pp. 413-422. DOI: https://doi.org/10.1109/ICDM.2008.17.

27. Park D. S. et al. SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition. Proc. Interspeech 2019. 2019, pp. 2613-2617. DOI: https://doi.org/10.21437/Interspeech.2019-2680.

28. Zhang H. et al. MixUp: Beyond empirical risk minimization. 6th International Conference on Learning Representations, ICLR 2018 - Conference Track Proceedings. 2018. URL: https://openreview.net/pdf?id=r1Ddp1-Rb (accessed: 17.07.2026).




DOI: http://dx.doi.org/10.26583/bit.2026.4.09

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.