譯者 | 涂承燁
審校 | 重樓
在當今的數字時代，深度造假技術和語音網絡釣魚策略的激增，給數字通信的真實性和安全性帶來了重大挑戰。深度造假者操縱音頻和視頻，創造出令人信服的假冒內容，而深度造假者則利用語音模擬來欺騙個人，以泄露敏感信息。準確識別和減輕這些威脅對于保護個人和組織免受錯誤信息、欺詐和身份盜竊的潛在后果至關重要。
1.理解深度造假和釣魚
深度造假是使用深度學習技術創建的，特別是生成式對抗網絡（GANs），以生成或修改視頻和音頻錄音，使它們看起來真實。這項技術可以高精度地交換人臉、模仿聲音和改變表情。
另一方面，釣魚公司使用語音工程來模擬可信的實體，欺騙受害者泄露機密數據。隨著文本到語音技術的進步，創造出聽起來與真人難以區分的合成聲音變得更容易，放大了基于語音的詐騙的風險。
這些技術構成重大風險，包括破壞公眾信任、影響政治環境，以及實施個人和公司欺詐。因此，開發一種強大的方法來檢測和抵消深度造假和網絡釣魚行為是至關重要的。
2.識別深度造假和釣魚的技術
深度造假的檢測方法通常側重于識別視覺和聽覺上的不一致性。這些可能包括不自然的眨眼模式，口型錯誤，或說話節奏的不規則。對于網絡釣魚，指標可以包括意外的呼叫來源、呼叫者背景噪聲的差異以及語音模式或音調的異常。
3.深度學習方法
利用人工智能，特別是機器學習模型，為自動檢測深度造假和網絡釣魚提供了一個很有前景的途徑。通過在真實內容和被操縱內容的數據集上訓練模型，這些系統可以學習區分真實材料和欺詐材料。
4.用于檢測的代碼樣本
為了提供一個實際操作的例子，我們將概述用于檢測深度假視頻和釣魚音頻剪輯的簡單代碼示例。
5.深偽視頻檢測
我們將使用TensorFlow來構建一個卷積神經網絡（CNN）模型，將視頻分類為真的或假的。
import tensorflow as tf
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.models import Sequential
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Conv2D(128, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Flatten(),
Dense(512, activation='relu'),
Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
# Assume `train_generator` is a pre-defined generator that feeds data into the model
model.fit(train_generator, epochs=20, steps_per_epoch=100)6.釣魚音頻檢測
對于釣魚檢測，我們將使用Librosa庫分析音頻特征，以提取Mel-Frequency Cepstral系數（MFCCs），這是語音和音頻分析的常見特征。
import librosa
import numpy as np
from tensorflow.keras import layers, models
from sklearn.model_selection import train_test_split
# Load and preprocess audio
audio, sr = librosa.load('path/to/audio.wav', sr=None)
mfccs = librosa.feature.mfcc(y=audio, sr=sr)
# Data preparation
X = np.array([mfccs.T])
y = np.array([0, 1]) # Labels: 0 for genuine, 1 for fake
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
# Model building
model = models.Sequential([
layers.Flatten(input_shape=(X_train.shape[1], X_train.shape[2])),
layers.Dense(256, activation='relu'),
layers.Dropout(0.5),
layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Train the model
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))結論
深度造假和網絡釣魚的出現給數字信息領域帶來了新的挑戰，威脅到信息的完整性和隱私。雖然這里提供的技術和代碼示例提供了檢測此類威脅的基礎方法，但必須進行持續的研究和開發。人工智能和機器學習方面的創新對于增強檢測能力至關重要，以確保我們能夠有效地抵消數字欺詐和錯誤信息的不斷演變的復雜性。
理解和解決這些挑戰需要技術人員、決策者和公眾的共同努力，制定道德準則和可靠的檢測工具。隨著技術的發展，提高安全意識和推進技術解決方案將是保護數字通信環境的關鍵。
譯者介紹
涂承燁，51CTO社區編輯，省政府采購專家、省綜合性評標專家、公 E 采招標采購專家，獲得信息系統項目管理師、信息系統監理師、PMP，CSPM-2等認證，擁有15年以上的開發、項目管理、咨詢設計等經驗。對項目管理、前后端開發、微服務、架構設計、物聯網、大數據、咨詢設計等較為關注。
原文標題：AI Against AI: Harnessing Artificial Intelligence To Detect Deepfakes and Vishing，作者：venkataramaiah gude
