Lensa kontak berwarna yang dicetak dengan tekstur iris orang lain, foto iris cetak definisi tinggi, mata prostetik realistis, atau gambar iris yang disintesis AI — semuanya memiliki satu kesamaan: mereka dapat menipu sistem pengenalan iris yang hanya berfokus pada pencocokan pola.
Dalam industri, metode semacam itu memiliki istilah standar: Serangan Presentasi (Presentation Attack). Seberapa pun akurasi pengenalan sistem, jika tidak dapat membedakan antara mata manusia asli dan palsu di depan kamera, keamanannya akan terganggu secara fundamental. Standar internasional ISO/IEC 30107-3 telah mencantumkan Deteksi Serangan Presentasi (PAD), yang biasa dikenal sebagai deteksi liveness, sebagai item evaluasi independen untuk sistem biometrik.
Homsh baru-baru ini menyelesaikan R&D dan verifikasi praktis sistem deteksi serangan presentasi iris yang dikembangkan sendiri, HOMSH-PAD. Diuji pada kumpulan data independen sebanyak 18.516 gambar, sistem ini mencapai Tingkat Kesalahan Kesetaraan Deteksi (D-EER) sebesar 0,50%.
I. Verifikasi Keaslian Terlebih Dahulu, Kemudian Konfirmasi Identitas
Sebagai modul independen yang ditempatkan sebelum alur kerja pengenalan, HOMSH-PAD beroperasi sebagai berikut: setelah perangkat menangkap gambar mata, sistem pertama-tama menemukan iris dan mengeluarkan skor keaslian melalui jaringan deep learning. Hanya gambar yang dikonfirmasi sebagai mata manusia asli yang dilanjutkan ke langkah pengenalan; yang diidentifikasi sebagai serangan akan segera ditolak.
Versi saat ini mencakup empat jenis metode serangan utama: lensa kontak berwarna bertekstur, gambar iris cetak, mata prostetik, dan iris yang disintesis AI. Di antaranya, mata prostetik dan gambar iris cetak memiliki tingkat kelalaian nol dalam pengujian; tingkat kelalaian untuk iris yang disintesis AI adalah 0,08%. Sistem mempertahankan deteksi yang efektif bahkan untuk pola lensa kontak baru yang belum pernah dilihat selama pelatihan — ini berarti model telah mempelajari fitur umum serangan, daripada hanya menghafal pola tertentu.
Interpretasi data uji dalam bahasa awam
Dari 1.000 berbagai upaya serangan, sekitar 993 diblokir;
Dari 1.000 pengguna sah, sekitar 3 ditolak secara keliru.
II. Di Balik Angka: Kontes Disiplin Data
Bidang deteksi liveness iris telah lama dirundung masalah yang persisten: model memberikan metrik yang mengesankan di laboratorium, tetapi sering gagal ketika diterapkan dalam skenario dunia nyata. Tim R&D Homsh percaya bahwa masalahnya biasanya bukan pada model itu sendiri, tetapi pada data pelatihan — jalan pintas statistik tersembunyi yang secara tidak sengaja berkorelasi dengan label benar/salah memungkinkan model mengambil “jalan pintas” alih-alih mempelajari karakteristik serangan yang sebenarnya.
Untuk mengatasi hal ini, tim telah mengembangkan metodologi tata kelola domain data pelatihan untuk secara sistematis mendeteksi dan menghilangkan jalan pintas tersebut sebelum data disimpan dan pelatihan dimulai. Sebanyak 75.919 gambar iris dari 10.750 subjek digunakan untuk pelatihan, kalibrasi, dan pengujian, dengan kelompok subjek yang sepenuhnya tidak tumpang tindih di ketiga kumpulan data — setiap mata dalam set pengujian tidak pernah dilihat oleh model selama pelatihan. Metodologi ini adalah inovasi independen inti dari proyek ini dan telah dilindungi oleh pengajuan paten.
Semua metrik dihitung sesuai dengan standar internasional ISO/IEC 30107-3. Ambang batas keputusan ditentukan pada kumpulan kalibrasi independen, tanpa paparan terhadap set pengujian sepanjang proses.
III. Desain Rekayasa Dibangun untuk Penerapan Dunia Nyata
HOMSH-PAD sepenuhnya direkayasa untuk penerapan praktis:
● Ringan: Model berukuran sekitar 30 MB, mampu melakukan inferensi real-time pada CPU, dan kompatibel dengan semua faktor bentuk mulai dari terminal kontrol akses tertanam hingga server.
● Mudah diintegrasikan: Integrator hanya perlu memasukkan gambar mentah yang ditangkap; semua pra-pemrosesan ditangani secara internal oleh SDK, memungkinkan integrasi hanya dengan beberapa baris kode.
● Dapat dikalibrasi: Mendukung kalibrasi ulang ambang batas satu klik menggunakan sampel pengguna nyata dari lokasi penerapan, memungkinkan tingkat penolakan palsu disesuaikan dengan kelompok pengguna aktual.
● Keamanan yang aman dari kegagalan: Input abnormal diklasifikasikan sebagai serangan secara default, tidak meninggalkan “area abu-abu” bagi penyerang untuk dieksploitasi.
IV. Menyelesaikan Bagian Terakhir dari Teka-teki
Sementara mesin pengenalan iris menjawab “siapa ini”, HOMSH-PAD menjawab “apakah ini orang sungguhan”. Dikombinasikan, mereka memungkinkan solusi pengenalan iris Homsh untuk sepenuhnya memenuhi persyaratan deteksi liveness yang semakin eksplisit dari skenario keamanan tinggi seperti urusan pemerintahan, keamanan publik, dan keuangan.
Ke depannya, tim akan terus memperluas pustaka sampel serangan, menyelesaikan beberapa putaran verifikasi stabilitas pelatihan, dan memajukan integrasi perangkat penuh dengan produk pengenalan iris all-in-one serta evaluasi otoritatif pihak ketiga.
