PAD로 생체인식 위조 공격을 탐지하는 방법

생체인식 입력이 곧 신뢰할 수 있는 신원은 아니다

PAD(Presentation Attack Detection)는 생체인식 시스템에 제시된 위조 생체 정보를 찾아내고 차단하는 기술이다. 지문, 홍채, 얼굴 정보는 복제하거나 위조할 수 있으며, 가짜 지문·3D 마스크·사진이 인증 단계로 들어오면 보안 시스템 우회로 이어질 수 있다.

생체인식은 편의성과 보안성을 함께 제공하지만, 센서가 수집한 정보가 실제 생체에서 온 것인지까지 자동으로 보장하지는 않는다. PAD는 이 지점에서 위조 공격을 탐지해 인증 시스템의 신뢰성과 무결성을 뒷받침한다.

기준과 특징 비교로 위조 여부를 판별한다

PAD는 진짜 생체 정보와 위조 정보를 구분할 기준을 보관하고, 입력 신호에서 판별에 필요한 특징을 뽑아 비교한다. 기준은 공격 유형별 임계값을 포함할 수 있고, 시스템이 운영되는 환경에 맞춰 최적화할 수 있다.

특징 추출기는 피부 질감이나 혈류 패턴처럼 생체 신호에 나타나는 고유한 특성을 분석한다. 이 과정에는 머신러닝이나 딥러닝 알고리즘을 활용할 수 있다. 비교기는 추출 결과와 저장된 기준을 대조해 위조 여부를 결정하며, 오탐지율(FRR)과 오수락율(FAR)의 균형도 함께 다룬다.

⤢✕

인증 파이프라인에 PAD 결과를 연결하는 위치

PAD는 별도의 기능으로 존재하더라도 생체인식 시스템의 각 서브시스템과 연결돼 동작한다. 데이터 획득 단계에서는 센서 수준의 탐지가 가능하다. 예를 들어 지문 센서의 정전용량 측정이나 카메라의 IR 감지가 여기에 해당한다.

신호처리 단계에서는 수집한 생체 데이터의 품질을 평가하고 비정상 패턴을 검출한다. 노이즈를 제거하고 특징을 강화하는 작업도 이 단계에 포함된다. 비교 단계는 추출한 특징을 등록 템플릿과 대조해 유사도 점수를 산출하며, PAD 결과를 인증 판단에 결합한다.

결정 단계에서는 PAD 결과와 생체인식 결과를 종합해 인증 성공 또는 실패를 정하고, 보안 정책에 맞는 대응을 실행한다. 데이터 저장 영역은 템플릿과 PAD 관련 정보를 안전하게 보관하는 한편, 새로운 위조 패턴을 학습할 데이터를 축적하고 패턴 업데이트와 시스템 개선에 활용한다.

⤢✕

센서에서 확인하는 생체 활성 신호

하드웨어 기반 PAD는 센서가 얻는 물리적 특성을 이용한다. 열화상 카메라로 생체의 온도 분포를 확인해 실제 생체와 위조품의 온도 차이를 활용할 수 있으며, 얼굴 인식과 지문 인식 시스템에 적용할 수 있다.

다중 스펙트럼 이미징은 생체 조직의 반사율과 흡수율 패턴을 분석한다. NIR(근적외선) 카메라로 혈관 패턴을 확인하는 방식이 한 예다. 피부의 전기적 특성도 활용 대상이다. 실제 피부와 인공 재료 사이의 전도성 차이를 측정하며, 정전식 지문 센서와 피부 접촉식 인증 장치에 적용할 수 있다.

광용적맥파(PPG) 센서는 혈류 패턴을 감지해 살아있는 조직의 고유한 생체 신호를 확인한다. 스마트폰의 지문인식센서와 결합된 PPG 센서도 이 방식의 예다.

이미지와 시간 변화에서 찾아내는 위조 흔적

소프트웨어 기반 PAD는 입력된 생체 데이터의 변화와 품질을 분석한다. 실제 피부의 발한, 즉 땀 분비 패턴을 분석하고 시간에 따른 수분 변화를 추적할 수 있다. 연속적인 지문 이미지를 분석해 발한 패턴을 감지하는 방식이 이에 속한다.

피부가 압력에 따라 변형되는 특성도 판별 근거가 된다. 실제 피부의 탄성과 변형 패턴을 확인하고, 손가락 압력에 따라 지문 패턴이 어떻게 달라지는지 측정한다. 이미지 품질 기반 탐지는 위조 생체 정보에서 나타나는 품질 이상을 살피며, 질감 분석·주파수 도메인 분석·노이즈 패턴 분석을 활용한다.

적용 환경에 따라 달라지는 PAD 조합

스마트폰에서는 Apple Face ID가 3D 구조광(Structured Light)과 IR 카메라로 얼굴 깊이 정보를 획득한다. 삼성 홍채인식은 근적외선 카메라와 패턴 분석으로 위조 홍채를 탐지하며, 지문인식에는 초음파 또는 정전식 센서와 결합된 혈류 감지 기술을 적용할 수 있다.

출입통제 환경에서는 얼굴인식 게이트가 3D 센싱과 열화상을 결합해 마스크와 사진 공격에 대응할 수 있다. 지문·얼굴·정맥처럼 복수 생체 정보를 검증하는 다중 생체인식도 보안을 강화하는 방법이다. 걸음걸이와 제스처 같은 행동 특성을 추가 인증 요소로 활용하는 접근도 가능하다.

금융 환경에서는 모바일뱅킹의 생체인증에 행동 패턴 분석을 결합하거나, ATM의 얼굴인식에 열화상을 결합해 위변조를 막을 수 있다. 결제시스템에는 정맥과 지문 등 복합 생체인식에 PAD를 적용할 수 있다. 전자여권의 얼굴 인식 게이트, 출입국 심사의 다중 생체인식, 실시간 얼굴 인식을 사용하는 감시 시스템도 PAD 통합 대상이다.

변화하는 위조 방식에 대응해야 한다

PAD는 새로운 위조 기술에 대한 대응력을 유지해야 한다. 조명과 온도처럼 환경 조건이 달라도 일관된 성능을 내야 하며, 프라이버시 보호와 보안 강화 사이의 균형도 필요하다. 저전력·저비용 구현을 위한 기술적 한계 역시 운영 환경에서 고려할 문제다.

발전 방향으로는 딥러닝을 이용해 위조 패턴을 자동 학습하는 인공지능 기반 PAD, 여러 생체 특성을 결합하는 멀티모달 접근, 정적 생체 특성과 동적 행동 패턴을 함께 쓰는 방식이 있다. 새로운 공격 유형에 자동으로 적응하는 자가 학습 시스템도 연구 대상이다.

생체인식 시스템을 구축할 때 PAD는 인증 정확도만의 문제가 아니다. 보안 정책, 사용성, 센서 특성, 데이터 관리 방식을 함께 고려해 적용하고, 위조 패턴 변화에 맞춰 지속적으로 업데이트해야 한다.