Por Ignacio Pierri & Nelson Insaurralde, en Telecom Argentina.
En un mundo donde la inteligencia artificial se está convirtiendo en una herramienta clave para la ciberseguridad, Facehunter AI representa un enfoque innovador en la detección, seguimiento y explotación de rostros a partir de imágenes y videos en entornos abiertos. Este proyecto combina técnicas avanzadas de reconocimiento facial, modelos de Machine Learning (ML) entrenados con TensorFlow y PyTorch, y un sistema de scraping automatizado para correlacionar identidades en bases de datos OSINT.
Actualmente, el sistema ha sido probado con datos reales y ha demostrado un buen nivel de precisión en la identificación de objetivos, generando nuevas preocupaciones sobre la privacidad y el uso de IA en la ciberseguridad ofensiva y defensiva. Este artículo detalla su infraestructura, los algoritmos utilizados y los resultados obtenidos.
La proliferación de cámaras de seguridad, redes sociales y sistemas de vigilancia han generado un volumen masivo de datos biométricos accesibles públicamente. Sin embargo, la explotación de estos datos mediante inteligencia artificial plantea tanto oportunidades como riesgos.
Facehunter AI surge como una prueba de concepto (PoC) para demostrar cómo se pueden utilizar modelos de IA para extraer, analizar y correlacionar información facial a gran escala. Su arquitectura se basa en:
- Extracción de rostros en tiempo real desde videos o imágenes estáticas.
- Clasificación y comparación de rostros con bases de datos OSINT.
- Generación de vectores de similitud utilizando embeddings faciales.
- Segmentación de usuarios en base a coincidencias con perfiles públicos.
A continuación, exploramos la arquitectura del sistema y su funcionamiento.
Arquitectura de Facehunter AI
Flujo de Datos y Componentes
El sistema sigue un enfoque modular que permite la captura, análisis y explotación de datos biométricos:
- Ingesta de Datos: Captura de videos o imágenes desde fuentes OSINT o cámaras de vigilancia.
- Detección de Rostros: Modelos de IA entrenados con datasets públicos como VGGFace2 y MS-Celeb-1M.
- Generación de Embeddings: Reducción dimensional de características faciales para comparación.
- Scraping y Correlación: Análisis en bases de datos públicas.
- Explotación de Identidad: Generación de perfiles de riesgo y simulación de ataques de phishing dirigidos.
Implementación de Modelos de IA
Detección y Clasificación de Rostros
Se utilizaron arquitecturas basadas en redes neuronales convolucionales (CNNs) para la detección de rostros en imágenes y videos. Los modelos fueron entrenados con conjuntos de datos públicos y optimizados con PyTorch.
Generación de Embeddings Faciales
Se empleó FaceNet para la generación de embeddings faciales, permitiendo la comparación de rostros con una precisión del 99.63% en el dataset LFW (Labeled Faces in the Wild).
OSINT y Explotación de Datos Biométricos
Uno de los aspectos más relevantes de Facehunter AI es su capacidad de combinar OSINT con técnicas avanzadas de reconocimiento facial. Las bases de datos OSINT contienen millones de imágenes de redes sociales, foros y registros públicos que pueden ser utilizadas para correlacionar identidades.
Facehunter AI automatiza la búsqueda y comparación de rostros en estos repositorios, permitiendo reconstruir perfiles completos de individuos basándose en coincidencias faciales. Además, la herramienta realiza una búsqueda de posibles nombres de la persona detectada y, a partir de ahí, lleva a cabo un OSINT completo, recopilando información adicional de diversas fuentes abiertas. Este tipo de tecnología no solo representa una ventaja para la ciberseguridad, sino que también abre el debate sobre los límites éticos de la recopilación de datos biométricos sin consentimiento.
Conclusiones y Trabajo Futuro
Facehunter AI ha demostrado la capacidad de explotar información biométrica con inteligencia artificial, planteando nuevos desafíos para la privacidad y la seguridad. Su aplicación en escenarios reales ha revelado vulnerabilidades en sistemas de reconocimiento facial y la facilidad con la que se puede extraer información de usuarios en redes sociales.
Como siguiente paso, se trabajará en la automatización de ataques basados en IA y en nuevas estrategias de mitigación para evitar el abuso de estas tecnologías. La evolución de estas técnicas podría impactar en la seguridad global, requiriendo nuevas regulaciones y mecanismos de protección.
Descubre más desde Revista Ciberseguridad
Suscríbete y recibe las últimas entradas en tu correo electrónico.
