BiometricsMar 28, 2026

ライブネス検出とインドネシアのデジタルアイデンティティ：不正防止の技術的アプローチ

Engineering Team

ライブネス検出とは何か、なぜインドネシアに必要なのか？

ライブネス検出とは、生体サンプル（顔画像など）が実際に存在する生身の人間から取得されたものか、印刷写真、画面リプレイ、シリコンマスク、ディープフェイク動画などのなりすしアーティファクトから取得されたものかを判定する技術です。インドネシアのKOMDIGI 2026年第7号規則の文脈では、ライブネス検出はすべての生体SIMカード認証システムの必須コンポーネントです。

そのリスクは甚大です。**国家サイバー暗号庁（BSSN）のデータによると、インドネシアは2025年にサイバー犯罪により推定7兆ルピア（4億700万ドル）の損失を被りました。SIMスワップ詐欺だけで1.2兆ルピア（7000万ドル）**の被害をもたらしています。堅牢なライブネス検出がなければ、生体認証システムは見せかけのセキュリティに過ぎません。攻撃者は被害者の高解像度写真やビデオを提示して顔認証チェックを通過できてしまいます。

脅威の全体像：プレゼンテーション攻撃

顔認証システムに対するプレゼンテーション攻撃（なりすまし攻撃とも呼ばれる）はいくつかのカテゴリに分類され、それぞれ異なる検出戦略が必要です：

レベル1：印刷攻撃

最も単純な攻撃は、ターゲットの印刷写真を使用するものです。ライブネス検出のない基本的な顔認証システムに対しては、驚くほど効果的です。攻撃者は光沢紙に高解像度の写真を印刷し、カメラの前にかざします。

検出方法：

テクスチャ分析（印刷パターン、モアレ効果の検出）
エッジ検出（紙の端がフレーム内に見える）
反射分析（紙は皮膚とは異なる光の反射をする）
モーション分析（2D表面の動きパターンは3D顔とは異なる）

レベル2：画面リプレイ攻撃

攻撃者がスマートフォン、タブレット、またはノートPCの画面にターゲットの動画を表示する手法です。まばたきや頭の動きなどの顔の動きをシミュレートできるため、印刷攻撃よりも高度です。

検出方法：

画面検出（ピクセルグリッドパターン、画面ベゼルの識別）
モアレパターン分析（画面表示のピクセルが干渉パターンを生む）
フラッシュ反射テスト（デバイスのフラッシュを使用して画面反射の均一性を検出）
オプティカルフロー分析（画面上のビデオは異なる光学的特性を持つ）

レベル3：3Dマスク攻撃

最も高度な攻撃は、ターゲットの顔を再現した3Dプリントまたはシリコンマスクを使用します。これらのマスクにはリアルな肌のテクスチャ、目の穴、口の開口部が含まれる場合があります。

検出方法：

深度センシング（構造化光またはToFセンサーで平坦な領域を検出）
皮膚スペクトル分析（本物の皮膚は近赤外スペクトルで固有の反射特性を持つ）
微動作分析（微表情や脈拍による微小な皮膚の動きはマスクには存在しない）
温度検出（サーマルカメラが必要 — マスクは顔とは異なる温度を示す）

レベル4：ディープフェイクとデジタルインジェクション

最先端の攻撃はAI生成のディープフェイク動画を使用するか、合成フレームをカメラパイプラインに直接インジェクションします。攻撃者はカメラドライバーをハイジャックしたり、仮想カメラソフトウェアを使用したりする可能性があります。

検出方法：

デバイス整合性チェック（カメラハードウェアが改ざんされていないことを確認）
インジェクション検出（仮想カメラドライバーやフレームインジェクションの検出）
GANアーティファクト分析（ディープフェイクはエッジ、髪、歯にアーティファクトを持つことが多い）
チャレンジレスポンステスト（ユーザーにランダムな動作シーケンスの実行を要求 — リアルタイムのディープフェイクは正確な再現が困難）

ISO/IEC 30107-3：プレゼンテーション攻撃検出規格

ISO/IEC 30107-3は、生体認証システムのプレゼンテーション攻撃検出（PAD）能力を評価する国際規格です。KOMDIGI規則では、すべての生体認証SDKプロバイダーにレベル2以上のPADテストの合格を要求しています。

この規格は2つの主要指標を定義しています：

APCER（攻撃プレゼンテーション分類エラー率）： 攻撃が誤って本物として受け入れられる割合
BPCER（正常プレゼンテーション分類エラー率）： 本物のユーザーが誤って攻撃として拒否される割合

PADレベル	APCER要件	攻撃タイプ
レベル1	≤ 5%	印刷写真、画面リプレイ
レベル2	≤ 2.5%	レベル1 + 紙マスク、2D湾曲攻撃
レベル3	≤ 1%	レベル2 + 3Dマスク、部分攻撃

インドネシアのSIM認証には、レベル2準拠が最低要件です。金融サービス（OJK規制下）では、より高いセキュリティレベルのためにレベル3準拠が必要になる場合があります。

ライブネス検出の技術アーキテクチャ

パッシブライブネス検出 vs アクティブライブネス検出

ライブネス検出の2つの主要アプローチにはそれぞれ利点と欠点があります：

パッシブライブネス検出は、ユーザーの意識なしに単一の画像または短い動画を分析して真偽を判定します。ユーザー体験はスムーズで、カメラを見るだけで完了します。

利点：優れたUX、高速、アクセシブル
欠点：高度な攻撃への耐性が低い

アクティブライブネス検出は、生身の人間であることを証明するため、特定のアクション（首を回す、まばたきする、微笑むなど）の実行をユーザーに要求します。

利点：なりすまし攻撃への耐性がより強い
欠点：UXが劣る、障がい者にとってアクセスしづらい可能性、所要時間が長い

推奨ハイブリッドアプローチ

インドネシアのSIM認証シナリオでは、両方の技術の利点を組み合わせたハイブリッドアプローチを推奨します：

初回パッシブチェック：キャプチャ時にパッシブライブネス検出を実行（<500ms）
リスクスコアリング：パッシブ検出の信頼度が閾値未満の場合（例：<0.85）、アクティブチャレンジを発動
アクティブチャレンジ：ユーザーに簡単なランダムアクションの実行を要求（例：左に首を回す）
最終判定：パッシブとアクティブのスコアを組み合わせて最終判定

Rustでのライブネス検出パイプライン

use serde::{Deserialize, Serialize};

#[derive(Debug, Serialize, Deserialize)]
pub struct LivenessResult {
    pub is_live: bool,
    pub confidence: f64,
    pub method: LivenessMethod,
    pub attack_scores: AttackScores,
}

#[derive(Debug, Serialize, Deserialize)]
pub enum LivenessMethod {
    Passive,
    Active,
    Hybrid,
}

#[derive(Debug, Serialize, Deserialize)]
pub struct AttackScores {
    pub print_attack: f64,
    pub screen_replay: f64,
    pub mask_3d: f64,
    pub deepfake: f64,
}

pub struct LivenessDetector {
    passive_model: OnnxModel,
    active_model: OnnxModel,
    threshold_passive: f64,
    threshold_active: f64,
}

impl LivenessDetector {
    pub async fn check_passive(
        &self,
        frame: &CaptureFrame,
    ) -> Result<LivenessResult, LivenessError> {
        let features = self.passive_model
            .extract_features(&frame.image_data)?;

        let scores = AttackScores {
            print_attack: features[0] as f64,
            screen_replay: features[1] as f64,
            mask_3d: features[2] as f64,
            deepfake: features[3] as f64,
        };

        let max_attack = scores.print_attack
            .max(scores.screen_replay)
            .max(scores.mask_3d)
            .max(scores.deepfake);

        Ok(LivenessResult {
            is_live: max_attack < self.threshold_passive,
            confidence: 1.0 - max_attack,
            method: LivenessMethod::Passive,
            attack_scores: scores,
        })
    }

    pub async fn check_hybrid(
        &self,
        frames: &[CaptureFrame],
        challenge: &Challenge,
    ) -> Result<LivenessResult, LivenessError> {
        // 1. まずパッシブチェック
        let passive = self.check_passive(&frames[0]).await?;

        if passive.confidence >= 0.95 {
            return Ok(passive);
        }

        // 2. パッシブスコアが不十分な場合はアクティブチェック
        let active_features = self.active_model
            .analyze_sequence(frames, challenge)?;

        let combined_confidence =
            passive.confidence * 0.4 + active_features.confidence * 0.6;

        Ok(LivenessResult {
            is_live: combined_confidence >= self.threshold_active,
            confidence: combined_confidence,
            method: LivenessMethod::Hybrid,
            attack_scores: passive.attack_scores,
        })
    }
}

モデルデプロイと最適化

インドネシアでのライブネス検出デプロイには、いくつかの実際的な要因を考慮する必要があります：

デバイスの多様性

インドネシアは非常に多様なスマートフォンエコシステムを有しています。3億4500万枚のアクティブSIMカードのうち、多くはローエンドからミッドレンジのAndroidフォンです。ライブネス検出ソリューションは以下のデバイスで確実に動作する必要があります：

ローエンド：2GB RAM、クアッドコアプロセッサ、VGAフロントカメラ
ミッドレンジ：4-6GB RAM、オクタコアプロセッサ、8MPフロントカメラ
ハイエンド：8GB以上のRAM、フラグシッププロセッサ、深度センシング対応フロントカメラ

モデルサイズと推論時間

デプロイ方式	モデルサイズ	推論時間	精度
デバイス上（TensorFlow Lite）	5-15 MB	50-200ms	92-96%
デバイス上（ONNX Runtime）	10-25 MB	30-150ms	93-97%
サーバー側（TensorRT）	50-200 MB	10-50ms	97-99%
ハイブリッド	10 MB（デバイス上）+ 100 MB（サーバー側）	合計100-250ms	96-99%

ネットワーク条件

インドネシアのネットワーク条件は大きく異なります。ジャカルタやスラバヤなどの主要都市では4Gカバレッジが良好で、平均レイテンシーは30-50ミリ秒です。しかし農村部では3Gまたは2Gで、レイテンシーは200-500ミリ秒、パケットロス率は5-10%になる場合があります。

ライブネス検出アーキテクチャはこれらの条件にグレースフルに対応する必要があります：

ネットワーク依存を減らすため、デバイス上で初期ライブネスチェックを実施
転送サイズを最小化するため、生体テンプレートを圧縮（目標<50KB）
指数バックオフ付きのリトライロジックを実装
ネットワークなしのシナリオ向けにオフラインキューイング機構を提供

よくある質問

ライブネス検出は回避できますか？

完璧なライブネス検出システムは存在しません。最先端の攻撃（特にレベル4のデジタルインジェクション攻撃）は現在の技術を回避できる可能性があります。そのため多層的なアプローチが不可欠です — パッシブ検出、アクティブチャレンジ、デバイス整合性チェック、行動分析を組み合わせます。セキュリティの目標は100%の防御ではなく、攻撃コストを十分に高くして大多数の攻撃者を抑止することです。

ライブネス検出システムの精度は？

最新のライブネス検出システムは標準条件下で97-99%の精度を達成できます。ただし、精度は照明条件、カメラ品質、ユーザーの協力度に影響されます。KOMDIGI規則では最低95%の精度を要求し、5%の誤拒否率（FRR）の余裕を設けています。

ライブネス検出SDKの選び方は？

SDK選定時には以下を考慮してください：KOMDIGI認定状況、ISO/IEC 30107-3準拠レベル、デバイス互換性の範囲、オフライン機能、SDKサイズがアプリ容量に与える影響、価格モデル、技術サポートの品質。選定前に自社のデータセットで候補SDKのベンチマークテストを行うことを推奨します。

タグ

AI Biometrics Security