Опубликовано: 10.05.2026 | Источник: The Verge (IT)

Генерация deepfake для защиты от deepfake: как превратить атаку в защиту в дипломе по ИБ

Автор статьи в The Verge попробовал обмануть родителей голосом, сгенерированным ИИ. Они распознали подделку почти мгновенно — не потому что слышали артефакты, а потому что «голос звучал как робот». Это провал не технологии, а понимания, как именно работают современные deepfake и как их можно использовать не только против, но и для защиты. Для студентов, пишущих ВКР в области кибербезопасности, этот кейс — готовый фундамент под актуальную, защищаемую и технически глубокую работу. Особенно если вы фокусируетесь на методах обнаружения фейков с помощью тех же технологий, что их создают.

От теории к защищаемой реализации: как встроить кейс The Verge в структуру ВКР

Тренд, описанный в статье, — это не просто журналистский эксперимент. Это подтверждение реальной уязвимости систем верификации по голосу и лицу. Но ещё важнее — идея: лучший способ обнаружить deepfake — научиться его создавать. Это открывает путь к дипломному проекту, который будет сочетать исследовательскую глубину, практическую реализацию и соответствие современным требованиям ИБ.

Тема 1: Система обнаружения аудио-фейков на основе adversarial обучения

• Актуальность: Рост мошенничества с использованием синтезированного голоса (vishing) требует новых методов защиты. Подход, описанный в статье (использование ИИ против ИИ), соответствует стратегии OWASP по защите AI-систем.
• Цель: Разработка модели, способной различать оригинальные и синтезированные голосовые образцы с использованием adversarial подхода.
• Задачи:
  1. Проанализировать существующие методы генерации голоса (Tacotron, WaveNet, VITS).
  2. Создать датасет из "чистых" и deepfake-аудио с помощью open-source инструментов.
  3. Разработать детектор на основе CNN + LSTM с adversarial компонентой (GAN-подобная архитектура).
  4. Оценить эффективность по метрикам EER, FAR, FRR.
• Структура ВКР:
  • Глава 1 — Анализ угроз, обзор методов генерации и обнаружения, нормативная база (OWASP AI Security, ISO/IEC 25010).
  • Глава 2 — Проектирование архитектуры (C4-модель), выбор стека, реализация генератора и детектора.
  • Глава 3 — Тестирование на реальных и синтезированных данных, анализ метрик, сравнение с baseline-решениями.

Тема 2: Многофакторная система верификации с включением liveness detection

• Актуальность: Как показал эксперимент, люди интуитивно чувствуют неестественность голоса. Автоматизированная система должна делать то же самое — через анализ живости (liveness).
• Цель: Повысить надёжность аутентификации в голосовых сервисах за счёт введения liveness-проверки.
• Задачи:
  1. Изучить методы liveness detection: спектральные артефакты, дыхание, паузы, микро-вибрации.
  2. Реализовать модуль, интегрируемый в IVR-систему.
  3. Провести A/B тестирование с и без liveness-слоя.
  4. Оценить влияние на FAR (False Acceptance Rate).
• Структура ВКР:
  • Глава 1 — Анализ кейсов мошенничества, обзор технологий (Pindrop, BeyondID), стандарты безопасности.
  • Глава 2 — Проектирование модуля, выбор признаков, реализация на Python + Librosa.
  • Глава 3 — Тестирование на датасете ASVspoof, интеграция в mock-систему банка, расчёт TCO защиты.

Тема 3: Deepfake как инструмент тестирования безопасности (red team approach)

• Актуальность: Подход «создай врага, чтобы победить его» — классика кибербезопасности. Использование deepfake для тестирования систем распознавания — это ethical hacking нового поколения.
• Цель: Разработка фреймворка для автоматизированного тестирования систем биометрической аутентификации с помощью генерации атак.
• Задачи:
  1. Создать генератор атак (аудио и видео) на основе StyleGAN и VITS.
  2. Реализовать API для интеграции с системами распознавания (например, FaceID, голосовые боты).
  3. Автоматизировать сбор метрик: сколько атак пропущено, время детекции.
  4. Формировать отчёт по стандарту OWASP ASVS.
• Структура ВКР:
  • Глава 1 — Этические и правовые аспекты, обзор red team-практик, анализ уязвимостей.
  • Глава 2 — Архитектура фреймворка, реализация атакующего модуля, безопасность самого инструмента.
  • Глава 3 — Пилотное тестирование, рекомендации по усилению защиты, оценка эффективности.

Как вставить статью в каждую главу диплома

Глава 1: Теоретическая база и анализ угроз

Используйте кейс из The Verge как реальный пример неудачной атаки, чтобы показать: даже неидеальный deepfake может сработать при слабой защите. Это — аргумент для актуальности. Включите в анализ:

• Сравнение методов генерации (VITS vs Tacotron 2) — по качеству и артефактам.
• Обзор систем обнаружения: Pindrop, Reality Defender, Microsoft Video Authenticator.
• Ссылку на OWASP Top 10 for AI — раздел "Model Inversion" и "Adversarial Attacks".

Для схемы используйте C4-модель (контекст, контейнеры, компоненты, код). Это соответствует ГОСТ 34.19-91 и позволяет визуализировать взаимодействие систем.

Глава 2: Проектирование и реализация

Реализация должна быть воспроизводимой и задокументированной. Пример архитектуры детектора:

# Архитектура детектора deepfake-аудио (PyTorch)
class DeepfakeDetector(nn.Module):
    def __init__(self):
        super().__init__()
        self.cnn = nn.Conv1d(1, 64, kernel_size=3, padding=1)
        self.lstm = nn.LSTM(64, 128, batch_first=True)
        self.classifier = nn.Linear(128, 1)

    def forward(self, x):
        x = F.relu(self.cnn(x))
        x = x.transpose(1, 2)
        x, _ = self.lstm(x)
        x = self.classifier(x[:, -1, :])
        return torch.sigmoid(x)

Для генерации данных используйте Coqui TTS или OpenVoice** — open-source аналоги коммерческих решений. Это легально и соответствует этическим нормам при условии, что данные не используются вне лаборатории.

Глава 3: Тестирование и оценка эффективности

Ключевые метрики — не просто accuracy, а EER (Equal Error Rate), FAR (False Acceptance Rate) и FRR (False Rejection Rate). Они критичны для ИБ и отражены в ISO/IEC 25010 (качество ПО).

Пример таблицы оценки:

Добавьте диаграмму сравнения — например, ROC-кривую. Это усилит защиту: комиссия видит, что вы не просто запустили модель, а провели полноценное исследование.

Чему вы научитесь в ходе работы

• Проектировать безопасные архитектуры с учётом угроз со стороны ИИ.
• Работать с аудио- и видео-данными: предобработка, извлечение признаков, augmentation.
• Применять adversarial learning для задач защиты.
• Оформлять схемы по C4 и ГОСТ 34.19-91.
• Считать и интерпретировать метрики ИБ: EER, FAR, FRR, TCO.

FAQ: Ответы на частые вопросы студентов

Где взять данные для тестирования deepfake?

Используйте открытые датасеты: ASVspoof (аудио), DFDC (Deepfake Detection Challenge, видео), FakeAVCeleb. Не генерируйте данные на основе частных лиц без согласия. Для генерации — синтезируйте голоса на основе open-source моделей с нейтральными текстами (например, новостные выдержки).

Как доказать новизну, если тема уже раскрыта?

Новизна — не в теме, а в подходе. Например: «применение adversarial обучения для детекции аудиофейков в условиях ограниченного датасета» или «интеграция liveness-проверки в IVR-систему банка». Сравните с 3-5 существующими решениями — это покажет разницу.

Какие требования к коду в дипломе?

Код должен быть: 1) в приложении, 2) задокументирован (docstrings), 3) воспроизводим (requirements.txt, Dockerfile), 4) соответствовать PEP 8. Не вставляйте всё — только ключевые фрагменты в текст. Полный код — в репозитории (GitHub/GitLab).

Как пройти нормоконтроль по ГОСТ?

Проверьте: шрифт (Times New Roman, 14pt), интервал (1.5), поля (2.5–3 см), нумерация страниц, структура (введение, 3 главы, заключение, список литературы). Схемы — читаемые, с подписями. Используйте шаблон вуза. Если его нет — возьмите за основу ГОСТ 7.32-2017.

Источник: The only way to fight deepfakes is by making deepfakes (опубликовано 2026-04-16)