Qu'est-ce que la vérification biométrique#
La vérification biométrique est le processus de confirmation de l'identité d'une personne en comparant son échantillon biométrique en direct à une référence, généralement une photographie figurant sur un document d'identité. Dans le contexte de la preuve d'identité à distance, cela revient à comparer un selfie en direct au portrait imprimé sur un passeport, une carte nationale d'identité ou un permis de conduire. L'objectif est de répondre à une question simple : la personne qui tient le document est-elle la même que celle qui y figure ?
Si le concept est simple, sa mise en œuvre technique est sophistiquée. Les systèmes modernes de vérification biométrique doivent gérer les variations d'éclairage, de qualité de caméra, de vieillissement du visage et de modifications cosmétiques, ainsi que toute la diversité des visages humains selon l'âge, l'origine ethnique et le genre, tout en se défendant contre un ensemble de plus en plus inventif d'attaques de présentation.
Détection du vivant#
La détection du vivant détermine si l'échantillon biométrique provient d'une personne vivante et physiquement présente, et non d'une photographie, d'une relecture vidéo, d'un masque ou d'une image générée numériquement. Sans détection du vivant, la correspondance faciale seule est trivialement déjouée : un attaquant n'a qu'à présenter une photo imprimée du titulaire du document devant la caméra.
Détection passive du vivant
La détection passive du vivant analyse une seule image ou un court flux vidéo à la recherche d'artefacts qui distinguent les vrais visages des attaques. Les techniques incluent l'analyse des motifs de texture (pores de la peau vs trame de points d'impression), les indices de profondeur issus du flou de défocalisation, les motifs de réflexion spéculaire et les micro-mouvements tels que de subtils tremblements oculaires ou des changements de teint induits par le pouls. La détection passive du vivant est invisible pour l'utilisateur, créant une expérience sans friction.
Défis actifs
La détection active du vivant demande à l'utilisateur d'effectuer une action précise, comme cligner des yeux, tourner la tête ou suivre un point en mouvement à l'écran. Ces défis sont plus difficiles à reproduire avec des attaques statiques mais ajoutent de la friction à l'expérience utilisateur. Les défis actifs plus avancés incluent des techniques fondées sur l'illumination, où l'écran de l'appareil projette des motifs de lumière colorée sur le visage de l'utilisateur, et la lumière réfléchie est analysée pour vérifier sa cohérence avec un visage en trois dimensions.
La norme ISO 30107-3 définit le cadre standard d'évaluation des systèmes de détection des attaques de présentation (PAD). Lors de la sélection d'un fournisseur biométrique, demandez toujours ses résultats de tests ISO 30107-3, en prêtant attention à la fois au taux de correspondance des présentations d'attaques d'imposteurs (IAPMAR) et au taux d'erreur de classification des présentations authentiques (BPCER).
Technologie de correspondance faciale#
La correspondance faciale compare deux images de visage et produit un score de similarité. Les systèmes modernes utilisent des réseaux de neurones convolutifs profonds entraînés sur des millions de paires de visages pour générer des plongements faciaux compacts, des vecteurs numériques qui encodent les caractéristiques géométriques et texturales d'un visage. La similarité entre deux plongements est calculée à l'aide de la distance cosinus ou de métriques similaires.
La précision de la correspondance faciale s'est considérablement améliorée au cours de la dernière décennie. Les algorithmes les plus performants évalués par le Face Recognition Vendor Test (FRVT) du NIST atteignent des taux de non-correspondance erronée inférieurs à 0,1 % pour un taux de correspondance erronée d'un sur un million. Toutefois, la précision varie selon la qualité de l'image, l'angle de pose et les facteurs démographiques. Garantir une performance équitable entre tous les groupes démographiques est à la fois un impératif éthique et une exigence réglementaire au titre des cadres d'équité algorithmique émergeant dans l'UE et ailleurs.
Illumination Flashmark#
Flashmark est une technique de détection du vivant fondée sur l'illumination, où l'écran de l'appareil affiche une séquence unique de motifs de lumière colorée pendant que la caméra selfie capture le visage de l'utilisateur. La lumière réfléchie crée sur la peau de l'utilisateur une signature chromatique vérifiable de manière cryptographique, propre à cette session. Cette approche se défend contre les attaques par relecture, car le motif de lumière change à chaque session, rendant les vidéos préenregistrées inutiles.
Le signal Flashmark fournit également des informations de profondeur : une surface plane telle qu'une photo imprimée réfléchit la lumière de manière uniforme, tandis qu'un visage tridimensionnel crée des dégradés d'ombre et des reflets spéculaires caractéristiques qui varient selon la géométrie du visage. Combiné à des chaînes de hachage au niveau des images qui relient chaque image capturée à la précédente, Flashmark crée une chaîne de capture biométrique inviolable.
Défense contre les deepfakes#
L'amélioration rapide de l'IA générative a rendu la génération de visages synthétiques et l'échange de visages accessibles et de plus en plus réalistes. Les deepfakes représentent une menace sérieuse pour la vérification biométrique : un attaquant peut générer une vidéo synthétique du titulaire du document et la présenter via une caméra virtuelle pour contourner la correspondance faciale et même les contrôles de base du vivant.
- Détection de caméra virtuelle : identifier lorsque le flux vidéo provient d'un logiciel (OBS, ManyCam) plutôt que d'une caméra physique, en inspectant les API de l'appareil, les signatures de pilotes et les métadonnées de capture.
- Détection d'attaque par injection : surveiller le pipeline de la caméra pour repérer l'injection d'images au niveau du système d'exploitation ou du pilote, lorsqu'un attaquant intercepte le flux de la caméra et le remplace par du contenu synthétique.
- Analyse de cohérence temporelle : analyser les micro-motifs temporels tels que la fréquence des clignements, les micro-mouvements de la tête et les signaux de flux sanguin, difficiles à reproduire fidèlement par les modèles génératifs actuels.
- Détection d'artefacts : rechercher les artefacts des modèles génératifs, notamment le scintillement temporel aux contours du visage, la géométrie incohérente des oreilles et les reflets oculaires non naturels.
- Détection de recapture d'écran : identifier les motifs de moiré, les artefacts de grille de pixels et les décalages de température de couleur indiquant que la caméra est pointée vers un autre écran.
La technologie des deepfakes évolue rapidement. Toute défense isolée peut être déjouée. Une sécurité biométrique efficace requiert une approche multicouche combinant plusieurs méthodes de détection indépendantes, ainsi qu'un réentraînement continu des modèles de détection face aux techniques d'attaque émergentes.
Enjeux de confidentialité#
Les données biométriques figurent parmi les catégories d'informations personnelles les plus sensibles. Contrairement aux mots de passe, les identifiants biométriques ne peuvent pas être modifiés en cas de compromission. Les réglementations du monde entier imposent des exigences strictes en matière de collecte, de traitement et de stockage des données biométriques.
Au titre du GDPR, les données biométriques traitées dans le but d'identifier de manière unique une personne sont classées comme données de catégorie particulière, exigeant soit un consentement explicite, soit une base d'intérêt public important. La loi de l'Illinois sur la protection des informations biométriques (BIPA) aux États-Unis exige un consentement écrit éclairé avant la collecte, interdit la vente de données biométriques et impose des calendriers de conservation avec des délais de destruction définis. Les violations de la BIPA entraînent des dommages-intérêts légaux de 1 000 à 5 000 dollars par infraction, et les recours collectifs ont abouti à des règlements dépassant 600 millions de dollars.
Bonnes pratiques pour la mise en œuvre biométrique#
- Effectuez les comparaisons biométriques côté serveur lorsque c'est possible, réduisant ainsi la surface d'attaque sur les appareils clients.
- Stockez les plongements faciaux plutôt que les images brutes lorsque c'est faisable, et chiffrez les plongements au repos à l'aide d'une gestion de clés adossée au matériel.
- Mettez en place des politiques de conservation configurables qui purgent automatiquement les données biométriques après la période légalement requise.
- Proposez des parcours de consentement clairs et rédigés en langage simple qui expliquent quelles données biométriques sont collectées, comment elles sont utilisées et combien de temps elles sont conservées.
- Auditez régulièrement la performance démographique des algorithmes de correspondance faciale et réentraînez les modèles pour corriger toute disparité.
- Maintenez un programme d'évaluation PAD qui teste votre système de détection du vivant face à de nouveaux vecteurs d'attaque au moins chaque trimestre.