تقييم ثغرات أنظمة السير عبر هجمات عدائية مُولّدة بواسطة PPO وGAN

لماذا يُهم خداع نمط المشي

معظمنا يتعرف على الأصدقاء والعائلة من طريقة مشيهم، حتى من مسافة بعيدة. يمكن لأجهزة الكمبيوتر الآن القيام بشيء مماثل: أنظمة «تمييز المشية» تحلل أسلوب مشي الشخص لتحديد هويته من دون بصمات أو مسح للوجه. تُستخدم هذه الأدوات بشكل متزايد في الأمن والمراقبة. تطرح هذه الدراسة سؤالًا مزعجًا: ما مدى سهولة خداع مثل هذه الأنظمة بتغييرات صغيرة ومصممة بعناية لا يلاحظها البشر ولكن تشتت الآلات؟ للإجابة آثار كبيرة على الخصوصية والأمن ومقدار الثقة التي يمكن أن نضعها في الذكاء الاصطناعي في مواقف حسّاسة.

كيف تقرأ الحواسيب طريقتنا في المشي

يعتمد تمييز المشية الحديث على التعلّم العميق، نفس عائلة التقنيات وراء تمييز الوجوه والسيارات ذاتية القيادة. بدلًا من النظر إلى لقطة واحدة، تجمع هذه الأنظمة العديد من إطارات فيديو الشخص السائر في صورة واحدة تُدعى «صورة طاقة المشية»، وهي نوع من الظل الضبابي الذي يلتقط كيفية تحرك أجزاء الجسم خلال دورة خطوة كاملة. ثم يتعلم شبكة عصبية مخصّصة تمييز مشية شخص عن آخر، حتى عندما يتغير اللباس أو الأشياء المحمولة. في اختبارات على مجموعتي بحوث رئيسيتين لفيديوهات المشي (مجموعة CASIA-B وOU-ISIR)، نموذج الأساس لدى المؤلفين تعرف على الأشخاص بشكل صحيح في أكثر من 97% من الحالات — أداء قوي قد يوحي بأن التكنولوجيا جاهزة للنشر في العالم الحقيقي.

الملصقات غير المرئية التي تخدع الكاميرات الذكية

جوهر الورقة ليس بناء نظام تعريف أفضل، بل كسره عمدًا لكشف نقاط الضعف. يولد الباحثون «رقعًا عدائية» صغيرة — مناطق مربعة من بكسلات معدّلة تبدو غير ضارة، لكنها مهيأة حسابيًا لإرباك الشبكة العصبية. لإنشاء هذه الرقع يستخدمون شبكة توليد مضادة (GAN)، نوع من الذكاء الاصطناعي يتعلّم إنتاج صور ذات مظهر واقعي عبر التنافس مع ناقد مدمج. تُدرّب الـGAN مباشرة على صور طاقة المشية بحيث يندمج مخرَجها بشكل طبيعي في الظلال الشبحية. صُممت هذه الرقع لتكون دقيقة بما يكفي لدرجة أن إنسانًا يلمح نمط المشي ربما لن يلاحظ أي شيء غريب.

إتاحة وكيل تعلّم لاكتشاف نقاط الضعف

مكان وضع الرقعة يمكن أن يكون مهمًا بقدر شكلها. لاكتشاف المواقع الأكثر إلحاقًا للضرر، يلجأ المؤلفون إلى طريقة في التعلّم المعزّز تُدعى تحسين السياسة التقريبي (PPO). يعاملون كل صورة مشية كبيئة على شكل شبكة ويَسمحون لوكيل برمجي بتحريك الرقعة — لأعلى، لأسفل، لليسار، أو لليمين — أثناء مراقبة مدى انخفاض ثقة نظام التعرف. عندما يتسبب موضع ما في خطأ تعريف الشخص، يُكافأ الوكيل؛ وعندما يفشل، يُعاقب. عبر حلقات كثيرة، يتعلم الوكيل سياسة لوضع الرقع في مناطق ضعيفة بشكل خاص داخل صورة المشية، غالبًا بالقرب من أجزاء الجسم المتحركة التي يعتمد عليها النموذج أكثر ما يكون.

ماذا يحدث عند إطلاق الهجوم

بعد تدريب كل من مولد الرقع واستراتيجية الوضع، يهاجم الفريق متعرّف المشية عالي الأداء الخاص بهم. في الظروف العادية، يظهر النظام دقة ممتازة، وقلة إنذارات كاذبة، وفصل قوي بين المطابقات الصحيحة والخاطئة. ولكن بمجرد إضافة الرقع العدائية، تنهار الأداءات بسرعة. اعتمادًا على مدى سماح الرقعة بالتحرك عبر الصورة، تتجاوز معدلات نجاح الهجوم 60%، وقد تنخفض نسبة الأشخاص المحددين بشكل صحيح إلى نحو ثلث مستواها الأصلي. المنحنيات التي كانت تظهر تمييزًا شبه كامل بين المستخدمين الحقيقيين والمزورين تنحني باتجاه خط التخمين العشوائي، مما يكشف مدى سهولة دفع النموذج عن مساره دون تشويهات مرئية.

ماذا يعني هذا لأمننا اليومي

لغير المتخصصين، الخلاصة واضحة: نظام تمييز المشية الذي يبدو دقيقًا للغاية في المختبر قد يكون هشًا بشكل مدهش أمام العبث الذكي المصمم بواسطة الآلات. تُظهر الدراسة أن الجمع بين أدوات توليد الصور وأساليب التعلّم بالتجربة والخطأ يمكن أن يُنتج تغييرات صغيرة وشبه غير مرئية تسبب أخطاء تحديد خطيرة. العمل ليس مخططًا لسوء استخدام في العالم الحقيقي، بل تحذير وإطار اختبار. يمنح مصممي الأنظمة وسيلة لفحص وقياس مدى قابلية نماذجهم للاختراق، ويؤكد الحاجة لبناء دفاعات ضد مثل هذه الهجمات قبل أن تُمنح ثقة واسعة لأنظمة تمييز المشية في المراقبة أو التحكم في الوصول أو تطبيقات حرجة أخرى.

الاستشهاد: Saoudi, E.M., Jaafari, J. & Jai Andaloussi, S. Evaluating gait system vulnerabilities through PPO and GAN-generated adversarial attacks. Sci Rep 16, 6039 (2026). https://doi.org/10.1038/s41598-026-37011-1

الكلمات المفتاحية: تمييز المشية, أمن القياسات الحيوية, هجمات عدائية, التعلّم العميق, التعلّم المعزّز