Ahora los atacantes se saltan la cámara.
La autenticación biométrica se ha convertido en un pilar fundamental de la identidad digital moderna. Desde desbloquear teléfonos inteligentes hasta dar de alta a clientes en el sector de los servicios financieros, la biometría ofrece una forma sencilla de verificar la identidad sin necesidad de recurrir a contraseñas ni a credenciales basadas en el conocimiento.
Cada vez más, las tecnologías biométricas también se utilizan para acreditar la identidad de una persona o para confirmar que hay un ser humano real y vivo presente durante una interacción digital.
Sin embargo, a medida que aumenta el uso de la biometría, también lo hace la sofisticación de los ataques diseñados para aprovechar las vulnerabilidades de estos sistemas.
Históricamente, gran parte de la atención del sector se ha centrado en los ataques de presentación, que consisten en intentos de engañar a los sensores biométricos mediante máscaras, fotografías o pantallas digitales. Tecnologías como liveness detection han logrado avances significativos en la defensa frente a estas amenazas.
Sin embargo, no todos los ataques se producen delante de la cámara o del sensor. Existe una categoría de amenazas cada vez más extendida que apunta a algo más profundo: el propio flujo de datos biométricos.
Estos ataques se conocen como «ataques de reproducción» y «ataques de inyección», y suponen un reto en rápida evolución para las organizaciones que implementan la verificación de identidad biométrica.
Para crear sistemas biométricos verdaderamente resistentes, las organizaciones deben ir más allá del algoritmo y garantizar la seguridad de todo el flujo de datos.
La amenaza oculta: los ataques de repetición e inyección
Los ataques de repetición y de inyección aprovechan las vulnerabilidades en el proceso de transmisión de los datos biométricos desde el sensor hasta el sistema de autenticación.
En un ataque de repetición, un atacante intercepta datos biométricos legítimos, como imágenes faciales o plantillas biométricas, y los reutiliza posteriormente para suplantar la identidad de un usuario.
En un ataque de inyección, los atacantes eluden por completo el sensor e inyectan datos biométricos manipulados directamente en el proceso de autenticación.
La diferencia fundamental es que estos ataques no requieren que el atacante interactúe físicamente con el sensor biométrico. En su lugar, manipulan el entorno de software que lo rodea.
Esto hace que los ataques de repetición e inyección cobren especial relevancia en la verificación de identidad en dispositivos móviles y en la web, donde la captura de datos biométricos depende de dispositivos de los usuarios, SDK de terceros y entornos de aplicaciones en capas.
Los atacantes podrían intentar:
- Sustituir la señal real de la cámara por imágenes pregrabadas o transmisiones de vídeo «deepfake»
- Inyectar plantillas biométricas falsificadas o fotogramas de imagen manipulados en el proceso de autenticación
- Reproducir sesiones biométricas capturadas previamente a través del tráfico de red interceptado
- Simular señales de cámara mediante cámaras virtuales, emuladores de dispositivos o flujos de trabajo de medios sintéticos
En todos los casos, el objetivo es el mismo: convencer al sistema de que se ha producido un registro biométrico legítimo cuando, en realidad, nunca se ha llevado a cabo ningún registro auténtico.
Por qué las medidas de seguridad tradicionales no son suficientes
Muchos debates sobre seguridad biométrica se centran en mejorar los algoritmos para detectar mejor los intentos de suplantación de identidad. Aunque esto sigue siendo importante, solo aborda una parte del panorama de amenazas.
Los ataques por inyección se aprovechan de las vulnerabilidades arquitectónicas, más que de las algorítmicas.
La eficacia de « liveness detection » depende de un supuesto fundamental: que los datos biométricos que se analizan procedan realmente de una captura legítima realizada por una cámara.
Si los atacantes logran inyectar imágenes manipuladas, secuencias de vídeo o contenidos multimedia sintéticos directamente en el proceso de autenticación, es posible que el sistema nunca llegue a interactuar con el sensor real.
En estos casos, la cuestión ya no es simplemente:
«¿Es esto un ser humano de verdad?»
Queda así:
«¿Estos datos proceden realmente de una cámara de verdad?»
Cuando los sistemas confían implícitamente en los datos entrantes sin validar su origen, incluso los algoritmos de « liveness detection » más avanzados pueden acabar analizando datos fraudulentos que parecen legítimos.
El papel de « Liveness Detection » en la seguridad de la identidad moderna
Liveness detection sigue siendo una de las herramientas más importantes para la defensa de los sistemas biométricos.
Las tecnologías de detección de vida pasiva pueden analizar indicios sutiles en las imágenes captadas, como patrones de textura, características de profundidad, reflejos y micromovimientos, para determinar si el sujeto es una persona real y no un artefacto de suplantación.
Estas tecnologías son muy eficaces contra los ataques de presentación tradicionales y están cobrando cada vez más importancia a medida que las tecnologías de deepfake siguen evolucionando.
Sin embargo, la eficacia de la « liveness detection » sigue dependiendo de una hipótesis clave: que los datos biométricos procedan de un evento de captura real.
Si los atacantes logran inyectar imágenes o secuencias de vídeo falsificadas directamente en el proceso de autenticación, podrían eludir todo el proceso de captura.
Por este motivo, los sistemas biométricos modernos deben combinar la « liveness detection » con medidas de protección a nivel de infraestructura que validen la autenticidad del propio proceso de captura.
Creación de una defensa multicapa contra los ataques de inyección
Para protegerse contra los ataques de repetición e inyección, es necesario proteger varias capas de la arquitectura biométrica, desde el hardware de los dispositivos hasta los sistemas de fondo.
Existen varios controles de seguridad básicos que pueden ayudar a mitigar estos riesgos.
- Transmisión segura y cifrado: Los datos biométricos siempre deben cifrarse durante su transmisión mediante protocolos criptográficos modernos. La transmisión segura ayuda a evitar que los atacantes intercepten y reproduzcan los datos biométricos entre el dispositivo de captura y el servicio de autenticación.
- Certificación del dispositivo: La certificación del dispositivo verifica que los datos biométricos proceden de un dispositivo legítimo y que no ha sido comprometido. Al validar la integridad del sistema operativo y del entorno de la aplicación, las organizaciones pueden reducir el riesgo de que entornos móviles manipulados generen entradas biométricas fraudulentas.
- Entornos de ejecución de confianza (TEE): Muchos dispositivos modernos incluyen áreas de hardware seguras conocidas como entornos de ejecución de confianza, que aíslan las operaciones sensibles del resto del dispositivo. El procesamiento de la captura de datos biométricos y de las funciones de seguridad dentro de un TEE reduce la probabilidad de que el malware o las aplicaciones comprometidas puedan manipular los datos biométricos antes de que lleguen al sistema de autenticación.
- Validación del origen del sensor: Otro control fundamental consiste en validar que los datos biométricos procedan realmente de un sensor de cámara autorizado. Sin este paso de verificación, los sistemas siguen siendo vulnerables a flujos de datos inyectados que se hacen pasar por salida legítima de la cámara.
- Comprobaciones de integridad en todo el proceso: En última instancia, los sistemas biométricos deben partir de la base de que cualquier dato entrante podría ser malintencionado. La implementación de comprobaciones de integridad en múltiples capas, desde la captura hasta la transmisión y el procesamiento en el servidor, ayuda a detectar anomalías que puedan indicar intentos de manipulación o de reproducción. Este modelo de seguridad por capas refleja el principio fundamental de «confianza cero» de la ciberseguridad moderna: No confíes en nada. Verifica todo.
El futuro de la seguridad biométrica
A medida que la IA generativa sigue facilitando la creación de identidades sintéticas convincentes y contenidos «deepfake», los atacantes están pasando cada vez más de las simples técnicas de suplantación a ataques más sofisticados a nivel de sistema.
Los ataques de repetición e inyección son cada vez más habituales a medida que la autenticación biométrica se va generalizando en las aplicaciones móviles, los procesos de alta digital y los sistemas de verificación de identidad a distancia.
Para las organizaciones que utilizan la biometría, esto significa que las estrategias de seguridad deben adaptarse en consecuencia.
La precisión biométrica y la « liveness detection » siguen siendo fundamentales, pero deben estar respaldadas por una arquitectura segura, la confianza a nivel de dispositivo y la validación del propio proceso de captura.
La protección de los sistemas biométricos en la era de los «deepfakes» requiere no solo proteger la señal humana, sino también verificar la autenticidad del momento de la captura y de todo el proceso de transmisión de los datos biométricos.
Para ayudar a hacer frente a este reto, Aware ha completado recientemente una evaluación independiente de la detección de ataques por inyección (IAD), llevada a cabo por BixeLab en estrecha consonancia con la especificación técnica CEN/TS 18099:2024.
La evaluación analizó la solución «Aware Intelligent Liveness » en 300 intentos de ataque por inyección que abarcaban 10 tipos de «Injection Attack Instrument» (IAI) y múltiples métodos de ataque avanzados, entre los que se incluyen cámaras virtuales, cámaras USB, «function hooking» y escenarios con dispositivos rooteados en los que se eludía la detección de manipulaciones. En todos los escenarios probados, no se observaron elusiones de inyección exitosas, mientras que la solución mantuvo una tasa de error de clasificación de presentación legítima (BPCER) del 0 % en las 300 transacciones legítimas.
A medida que las amenazas biométricas siguen evolucionando, las pruebas realizadas por terceros independientes han cobrado cada vez más importancia para las organizaciones que evalúan soluciones de seguridad biométrica. Las simulaciones de ataques en condiciones reales ayudan a validar no solo el rendimiento de los algoritmos, sino también la resiliencia de la arquitectura biométrica en su conjunto frente a técnicas adversarias sofisticadas. Las evaluaciones que se ajustan a marcos normativos emergentes, como la norma CEN/TS 18099, aportan una valiosa transparencia sobre el rendimiento de las soluciones en condiciones de ataque realistas y ayudan a las organizaciones a tomar decisiones más fundamentadas sobre la seguridad de los sistemas de identidad digital.
En Aware, creemos que el avance de la seguridad biométrica requiere algo más que la mera innovación: exige una validación rigurosa e independiente frente a las amenazas a las que se enfrentan las organizaciones hoy en día y a las que surgirán en el futuro.
