O3.03.7Presentation attack detection设计研究
呈现攻击（伪造指纹、照片）需要活体检测机制防御
别名: 活体检测 · 反欺骗 · biometric PAD
概念解释
呈现攻击检测（presentation attack detection, PAD，常称活体检测）判断传感器前的是目标身体特征的真实呈现，还是照片、屏幕回放、面具、仿制指纹等攻击载体。普通匹配只问样本与模板是否相似；复制品可能足够相似，因此低误识率本身不能证明能抵抗主动伪造。
机制
攻击者利用传感器可观测信号与真实身体之间的差距。PAD 可检查纹理、深度、反射、温度、运动或随机挑战反应，但每种线索都依赖硬件和攻击知识。固定眨眼等可预测动作可能被高级回放复现，过强挑战又会增加无障碍负担和误拒。传感器数据若可被软件注入，攻击还可能绕过呈现层，需端点完整性控制。
怎么研究
依据部署模态和可行攻击者能力建立攻击工具清单，在授权实验室中测试多种材料、显示设备、光照、角度和已知/未知攻击类型。分别报告攻击呈现被接受率、真实用户受 PAD 拒绝率、采集失败和完成时间，并按设备与人群分层。训练集上的伪造分类准确率不能代替独立测试，零努力冒用也不能代替呈现攻击。
边界
PAD 降低特定呈现攻击风险，不保证样本来自声称身份，也不覆盖模板泄露、传感器后注入、恶意端点或强迫本人。部分低风险本地用途可采用不同控制组合，但高影响用途必须明确主动攻击假设。活体信号本身可能是敏感数据，不能以安全名义无限收集或转作情绪、健康推断。
怎么落地
- 为每种传感器维护现实的攻击分类与覆盖证据，不用一个“已开启活体检测”布尔值概括能力。
- 将被动线索、必要时的随机挑战、认证传感器和注入检测分层组合，并限制失败重试。
- 为无法完成动作或被 PAD 误拒的人提供非惩罚性替代方式，监测挑战带来的分层完成差异。
- 模型、摄像头或攻击材料变化后重新做独立评估；事件响应保留版本和判定证据，但最小化原始生物样本。