合成欺骗时代的信任架构：阿勒普深度伪造事件的教训与迈向 Deep AI 主权的转型

现代企业正经历一场根本性的真实性危机，其核心特征是生成式人工智能被迅速武器化，用以对抗既有的公司治理协议。2024年2月，跨国工程公司阿勒普（Arup）成为这场危机的焦点：其香港办公室通过迄今记录中最精密的深度伪造赋能操作之一，被骗走了2560万美元（2亿港元）。¹ 这一事件不仅是传统网络安全的失败，更是"技术增强型社会工程"的决定性概念验证——该方法利用人类心理以及对视觉与听觉线索的固有信任。⁴ 攻击者利用高保真 AI，在实时视频会议中冒充首席财务官（CFO）及一整套高管团队，成功绕过了多因素认证、内部财务控制与人类直觉。¹

阿勒普劫案成为全球组织的战略转折点。它表明，当前对"LLM 封装器"——将业务流程连接到公共第三方 AI API 的薄软件接口——的依赖，从根本上无法满足现代企业的安全与主权要求。⁷ 随着生成超逼真合成媒体的成本与技术门槛持续骤降，传统的"边界防御"模型正在崩塌。¹ 本报告分析阿勒普事件的取证细节、实时深度伪造的技术演进，以及向 Deep AI 转型的架构必然性：即在组织自身的安全基础设施内部署主权、私有且神经符号的 AI 系统。⁷

取证重构：2500万美元劫案解剖

针对阿勒普的行动是一场多阶段战役，优先进行侦察与心理操纵，而非传统的网络入侵。¹ 调查证实，整个事件期间阿勒普的数字基础设施始终完整；没有恶意软件、凭证窃取或未经授权数据库访问的证据。⁴ 相反，攻击者通过制造目标员工无法合理区分真伪的现实，攻破了公司的运营逻辑。⁴

第一阶段：侦察与材料收割

攻击中所用深度伪造的有效性取决于高质量训练数据。² 攻击者花费数月收割阿勒普高管的公开可用视频与音频素材，主要来自 YouTube、会议演讲与公司会议。² 这些材料使作案者能够训练生成对抗网络（GAN）与神经语音合成模型，不仅能复制高管的样貌，还能复制其特定的言语模式、语调与独特的微表情。¹ 这种准备程度得以创造出取证专家所称的"高保真合成孪生体"，旨在经受住专业场合中同事的审视。¹

第二阶段：鱼叉式钓鱼诱饵与叙事构建

入侵始于2024年1月，一封看似来自伦敦总部 CFO 的鱼叉式钓鱼邮件。¹ 邮件请求协助一项"机密交易"——这是商业邮件妥协（BEC）骗局中常见的叙事，但此处因专业语气与准确的内部语境而得到强化。² 尽管香港财务部门的员工最初对该邮件持怀疑态度，攻击者利用了第二层、更强大的社会证明来瓦解这一疑虑。¹

事件阶段	攻击者采取的行动	技术 / 心理机制
初次接触	冒充 CFO 的邮件，事关一笔"秘密"转账 1	权威杠杆与紧迫感 2
升级	邀请参加多方视频会议 1	社会证明与感知透明度 4
验证	多名被深度伪造的高管现身 2	可视化层级以压制怀疑 1
执行	指示将资金转入特定账户 1	在"直播"场景中的直接层级命令 3
发现	交易后与英国总部的跟进 1	标准财务审计轨迹 2

第三阶段：合成视频会议

阿勒普事件的决定性时刻是那次视频通话。¹ 与以往依赖单一声音克隆或低分辨率视频片段的深度伪造骗局不同，此次攻击呈现了一个包含多名 AI 生成参与者的实时、互动环境。² 该员工加入了一场会议，熟悉的面孔——同事与上级——看似在进行合法讨论。¹ 这种环境语境是一种"非对称战争"形式：攻击者对组织结构的了解，超过了员工对技术边界的了解。⁴

通话期间，被深度伪造的 CFO 下令该员工执行15笔独立转账，总额约2560万美元。¹ 这些资金被分散至五个不同的香港银行账户。¹ 该员工照办了，被会议的视觉与听觉证据所说服。¹ 欺诈仅在员工与英国真实 CFO 办公室跟进时才被发现；此时公司才意识到从未举行过此类会议，也从未授权过任何资金。¹

实时生成式欺诈的技术演进

阿勒普事件之所以成为可能，是因为先进 AI 方法已从研究实验室汇聚到精密网络犯罪组织手中。¹ 理解这一威胁需要分析两类主要模型：生成对抗网络（GAN）与扩散模型。¹

视频合成中的生成对抗网络（GAN）

GAN 代表了生成逼真面孔与声音能力的突破。¹ 一个 GAN 由两个相互竞争的神经网络组成：生成器与判别器。¹ 生成器以真实图像或视频为参考点创建内容，而判别器则试图检测内容是否由 AI 生成。¹ 经过数百万次迭代，这些模型相互"训练"，生成器日益擅长创造判别器——进而人类肉眼——无法与现实区分的影像。¹ 在阿勒普案中，GAN 实现了实时"换脸"：攻击者的网络摄像头画面被逐帧截获，并替换为 CFO 的超逼真面具。¹¹

扩散模型与时序一致性

扩散模型的工作方式是向图像添加"噪声"（随机数据），然后训练 AI 逆转该过程，从噪声中重建清晰图像。¹ 这种方法擅长创造 GAN 有时难以处理的高分辨率、细腻纹理与光照。¹ 应用于视频时，扩散模型确保"时序一致性"——即 AI 生成的面孔在运动过程中不会闪烁或扭曲。¹¹ 这种一致性对于在实时互动中维持现实幻觉至关重要，因为人类感知对与较低层次深度伪造技术相关的细微"故障"高度敏感。¹¹

注入攻击：绕过物理层

阿勒普事件中的一个关键技术细节是使用"视频注入"而非简单的"展示攻击"。¹⁵

1. 展示攻击： 攻击者在真实网络摄像头前放置高分辨率屏幕（平板或显示器）。¹⁵ 这些攻击通常可通过分析深度、像素级反射与物理边框存在的活体检测发现。¹⁵
2. 注入攻击： 该方法利用虚拟摄像头软件或中间人（MITM）战术，将合成视频数据包直接馈入会议软件的数据流。¹⁰ 应用程序（Zoom、Teams 等）将该数字流视为来自物理硬件设备。¹⁷

攻击类型	投递方法	检测难度
展示（2D/3D）	物理伪迹（照片/面具/屏幕） 18	中等；常出现深度/纹理异常 15
换脸（实时）	在直播网络摄像头上叠加 GAN/扩散软件 12	高；需要时序分析 11
视频注入	数字馈送绕过摄像头硬件 20	极高；需要系统级完整性检查 17
神经语音克隆	音频流被替换为合成语音 2	非常高；需要生物特征频谱图分析 16

研究表明，针对身份验证提供商的注入攻击在2023年增长了255%，而"换脸"攻击上升了704%。²⁴ 这表明网络犯罪分子正从易于检测的物理欺骗，转向可瓦解传统活体检测的数字级操纵。²¹

为何"LLM 封装器"范式无法满足企业需求

许多组织在急于采用生成式 AI 时，依赖"封装器"——构建在 OpenAI 的 GPT-4 或 Anthropic 的 Claude 等公共 API 之上的薄软件层。⁷ 虽然对低风险任务可用，该模型引入了系统性漏洞，使阿勒普类事件更易发生。⁷ Veriprajna 认为，封装器时代与企业级安全不兼容，主要有三个原因：数据外泄、缺乏情境推理，以及"无具身顾问"问题。⁷

公共 API 的安全剧场

在基于封装器的部署中，组织最敏感的数据——财务报表、内部备忘录与高管通信——必须离开企业边界，由第三方云处理。⁷ 即便提供商承诺不在数据上训练，数据出现在外部环境中仍会带来对美国 CLOUD Act、不透明的子处理方关系以及潜在基于模型的数据渗出的脆弱性。⁹ 此外，封装器极易受到"提示注入"攻击：用户（或攻击者）可精心构造输入，诱使模型忽略其安全护栏并执行未授权操作。⁸

情境与可靠性鸿沟

LLM 是概率性的，而非确定性的。⁸ 它们基于训练数据中的统计相关性预测最可能的"下一个词元"，而非对企业现实的扎根理解。⁸ 这导致了"可靠性鸿沟"：AI 智能体可能承诺折扣、减免费用或以对公司具有法律约束力但事实错误的方式解读政策。⁸ 在高风险环境中，封装器缺乏对照组织专有数据库的"事实真相"验证自身输出的内在能力。⁷

"无具身顾问"与活性悬崖

对阿勒普这样的工业或工程公司而言，"无具身顾问"局限尤为危险。²⁵ 基于文本的 LLM 封装器可能生成听起来合理的建议，但缺乏验证物理或生物安全的集成反馈回路。²⁵ 在药物化学或结构工程中，公式或承重计算的微小变化——即"活性悬崖"——可导致结果不成比例的巨大变化（例如，从安全化合物变为致命毒素）。²⁵ 封装器基于语义距离而非物理定律运行，在识别这些关键偏差方面出了名地糟糕。²⁵

Deep AI：Veriprajna 的主权智能框架

Veriprajna 定位自己并非封装器构建者，而是 Deep AI 解决方案 的提供商——旨在为企业恢复主权与可靠性的架构。⁷ 该框架从"AI 即服务"转向"AI 即基础设施"。⁷

支柱一：基础设施所有权与私有企业级 LLM

Deep AI 的基础是在组织自身的虚拟私有云（VPC）或本地 Kubernetes 集群内部署私有企业级 LLM。⁷ Veriprajna 将完整推理栈（使用 vLLM 或 TGI 等技术）直接部署到客户控制的硬件上。⁷ 这确保"主权智能"永不离开边界，实现对国际数据传输风险与第三方留存政策的免疫。⁹

支柱二：具备 RBAC 感知检索的私有 RAG 2.0

Deep AI 通过与内部安全原生集成的检索增强生成（RAG），为企业构建"语义大脑"。⁷ 与通用 RAG 系统不同，Veriprajna 的架构具备基于角色的访问控制（RBAC）感知能力。⁷ 若员工无权在 SharePoint 中查看某份特定文档，AI 系统不会检索该文档来回答其问题。⁷ 这可防止通过 AI 接口发生内部权限提升与数据泄露。⁷

支柱三：神经符号"三明治"架构

为弥合可靠性鸿沟，Veriprajna 倡导"神经符号三明治"。⁸ 该设计将创造性神经网络（LLM）夹在两层确定性符号逻辑之间。⁸

• 底层（输入逻辑）： 预处理用户提示以净化输入，并在注入攻击到达模型之前加以阻止。⁸
• 中层（神经网络）： 提供语言理解与推理能力。⁸
• 顶层（符号护卫）： 拦截模型意图，并通过刚性、预定义函数执行（例如查询 SQL 数据库或 ERP）。⁸

这确保当 AI 智能体报告价格或授权状态时，它是从数据库检索确定性值，而非基于词元概率预测数值。⁸

特性	公共 LLM 封装器	Veriprajna Deep AI 解决方案
数据驻留	共享公有云；数据外泄 7	完全位于客户 VPC 内 7
推理模型	纯概率性 8	神经符号（神经 + 确定性） 8
安全语境	通用/公开数据 7	私有语料；RBAC 感知 7
定制化	仅提示工程 7	完整微调（LoRA/CPT） 7
脆弱性	易受提示注入影响 8	多层逻辑护卫 8

新的多因素认证：生物特征与行为智能

阿勒普案中视觉"核验"的失败，要求在数字互动中验证身份的新范式。⁴ Veriprajna 的方法融入了当前生成模型极难实时伪造的多模态信号。²³

生理信号验证

高端深度伪造检测如今包括分析面部颜色中"心跳诱发"的变化。¹⁴ 英特尔 FakeCatcher 等技术监控这些人眼看不见的微信号，以验证参与者是具有正常心血管活动的真人。²³ 在合成视频中，这些信号通常缺失，或与视觉动作在时间上不一致。¹¹

行为生物特征："静默"守护者

面孔可被替换、声音可被克隆，但个体与其技术互动的神经生物学模式仍保持独特，几乎无法伪造。²⁹

• 击键动态： 打字的速度、节奏与压力形成可识别的、个体独有的"韵律"。³⁰
• 鼠标与触屏行为： 鼠标移动的频率与流畅度，或移动设备上特定的滑动速度与压力，构建出机器人或冒充者难以模仿的行为画像。²⁹
• 认知行为： 行为生物特征可检测用户是否在胁迫或强制下行动，这通常表现为犹豫或偏离正常导航模式。³¹

通过为高管建立行为基线，组织可在视频通话期间实施"持续认证"。³¹ 若通话中的"CFO"开始要求异常交易，而其打字或导航行为偏离历史画像，系统可自动将该互动标记为需人工复核。²⁹

密码学溯源与内容凭证

企业不能仅检测假货，还必须转向验证真品。³⁵ C2PA（内容溯源与真实性联盟） 标准允许在视频采集瞬间嵌入密码学元数据。²³ 这创建媒体的"防篡改可证"历史，记录来源的设备、时间与地点。³⁵ 若 Microsoft Teams 或 Zoom 通话中的视频流缺少这些凭证，可将其视为与未签名软件包同等可疑。³⁵

法律、监管与治理影响

阿勒普的财务损失只是冰山一角；该事件对企业责任与领导层信义义务具有深远影响。²

CIO 与 CTO 的信义义务

在深度伪造赋能欺诈之后，CIO 与 CTO 日益被要求承担更高的注意标准。³⁸ 作为公司高管，他们负有识别"警示信号"并实施"合理安全程序"的信义义务——例如《加州消费者隐私法》（CCPA）或欧盟《AI 法案》所要求的程序。³⁸ 若公司因疏忽被股东或客户起诉，未能实施具备深度伪造意识的控制措施可能导致高管承担个人责任。³⁸

"冒名者规则"（Impostor Rule）与损失分配

关于电汇欺诈的司法指引通常遵循"冒名者规则"（Impostor Rule）：损失应由最有能力防止欺诈的一方承担。⁴¹ 在阿勒普案中，尽管员工被欺骗，公司未能对高价值交易实施多渠道验证，可被视为主要失败点。⁴ 法院日益认定：雇主若未就特定风险警告员工或未提供必要技术保障，即构成疏忽。³⁷

符合国际标准

为缓解这些风险，组织必须使其运营与新兴的生物特征与 AI 安全全球标准对齐：

• ISO/IEC 30107-3： 展示攻击检测（PAD）的国际基准。⁴² 获得 Level 2 或 3 认证表明系统对硅胶面具与 AI 深度伪造等高级欺骗具有韧性。¹⁵
• NIST AI 风险管理框架（RMF）： 提供结构化四步流程——治理、映射、衡量、管理——以识别并缓解 AI 特有风险。³⁹
• CEN/TS 18099： 首个专门针对"注入攻击"检测的标准，对保护视频会议流至关重要。¹⁵

企业韧性战略路线图（2025-2026）

阿勒普事件是"眼耳"作为认证形式的失败。⁴ 为防止重演，Veriprajna 建议以保卫人员、流程与真实性本身这一概念为核心的多层韧性战略。⁴

步骤1：建立"赋能型怀疑"文化

组织必须从"立即服从"文化转向"先验证"心态。⁴ 这包括奖励质疑可疑请求的员工，即使这些请求看似来自高层领导。⁴ 培训应超越静态钓鱼邮件，纳入在视频与音频平台上的实时模拟深度伪造攻击，以消除员工对该技术的神秘感。⁴

步骤2：实施强制带外验证

视频会议不再能作为金融交易中身份认证的"金标准"。⁴ 高风险或高价值指令必须要求独立的带外确认：

• 直接通话： 通过预先验证的电话号码或加密消息平台（例如 Signal）进行验证。⁴
• 预先约定的验证码： 使用次级、非数字渠道共享认证密钥。⁴
• 双重授权： 要求未参与原视频通话的第二名审批人。⁴

步骤3：转向主权 Deep AI 基础设施

企业必须从公有云收回其数据与智能。⁷ 在客户控制的 VPC 内向私有企业级 LLM 转型，可确保敏感情境保持安全。⁷ 这不仅是安全措施，更是竞争优势，因为它允许创建明确属于客户的定制模型资产。⁷

步骤4：部署多模态活体与检测工具

将企业级深度伪造检测集成到 Zoom 与 Microsoft Teams 等协作工具中。¹⁰ 这些工具应实时分析每一帧与音频包，寻找 AI 操纵迹象——例如唇动不同步、光照不一致或生理信号缺失。¹²

结论：信任的新边疆

2024年2月的阿勒普劫案是"非正式内部认证"时代终结的警钟。⁴ 当 CFO 的面孔与声音仅用15美元和45分钟的努力即可被完美伪造时，传统的信任信号便已破碎。⁵ 企业韧性的未来将取决于通过生物、行为与架构防御层区分"合成孪生体"与真人的能力。⁴

Veriprajna 倡导离开脆弱的 LLM 封装器世界，转入稳健、主权的 Deep AI 世界。⁷ 通过结合基础设施所有权、神经符号可靠性与行为智能，组织可构建抵御不断升级的生成式欺诈威胁的"信任架构"。⁷ 2500万美元的损失是为这一教训付出的高昂代价，但它为下一代企业安全提供了蓝图：真实性由物理与逻辑验证，而非仅凭视觉与听觉。⁴

韧性组件	可执行目标	期望结果
人员	行为培训与模拟 4	抵御"直播"社会工程 4
流程	多渠道带外确认 4	瓦解单点故障 4
数据	基于私有 VPC 的 LLM 与 RAG 2.0 7	完全主权与数据隐私 7
技术	实时活体与生理分析 18	击败 GAN 与注入攻击 17
治理	对齐 NIST AI RMF 与 ISO 30107 43	降低监管与信义风险 38

未来数年，在合成世界中验证身份与意图的能力将成为数字时代的决定性要求。²⁰ 阿勒普事件证明，不作为的代价不再只是假设风险，而是2560万美元的现实。¹ 现在行动实施主权 Deep AI 架构的组织，不仅将保护其资本，还将守护其最宝贵的资产：通信完整性与利益相关方的信任。⁴

---

参考文献

1. Arup Deekfake Scam Forensic Analysis – Cyber - University of Hawai'i–West O'ahu, 2026年2月9日访问, https://westoahu.hawaii.edu/cyber/forensics-weekly-executive-summmaries/arup-deekfake-scam-forensic-analysis/
2. Arup Deepfake: How An AI-Generated Deepfake Stole $25M, 2026年2月9日访问, https://purplesec.us/breach-report/arup-deepfake/
3. Incident 634: Alleged Deepfake CFO Scam Reportedly Costs Multinational Engineering Firm Arup $25 Million, 2026年2月9日访问, https://cdn.lawreportgroup.com/acuris/files/ACR-New/AI%20Incidents%20%E2%80%A2%20Incident%20634_%20Alleged%20Deepfake%20CFO%20Scam%20Reportedly%20Costs%20Multinational%20Engineering%20Firm%20Arup%20%2425%20Million.pdf
4. The Arup Deepfake Fraud - PRMIA, 2026年2月9日访问, https://prmia.org/common/Uploaded%20files/eCyber/PRMIA%20Case%20study%20-%20ARUP.pdf
5. Cybercrime: Lessons learned from a $25m deepfake attack - The World Economic Forum, 2026年2月9日访问, https://www.weforum.org/stories/2025/02/deepfake-ai-cybercrime-arup/
6. $25 Million Deepfake Scam: The Ultimate Con? - Trustpair, 2026年2月9日访问, https://trustpair.com/blog/25-million-deepfake-scam-the-ultimate-con/
7. The Illusion of Control: Securing Enterprise AI with Private LLMs - Veriprajna, 2026年2月9日访问, https://Veriprajna.com/technical-whitepapers/enterprise-ai-security-private-llms
8. The Authorized Signatory Problem: Why Enterprise AI Demands a Neuro-Symbolic "Sandwich" Architecture - Veriprajna, 2026年2月9日访问, https://Veriprajna.com/technical-whitepapers/authorized-signatory-problem-neuro-symbolic-ai
9. The Illusion of Control: Shadow AI & Private Enterprise LLMs | Veriprajna, 2026年2月9日访问, https://Veriprajna.com/whitepapers/illusion-of-control-shadow-ai-private-enterprise-llms
10. Deepsight: World's Most Accurate Deepfake Detection - Incode, 2026年2月9日访问, https://www.incode.com/platform/deepsight
11. The Sentinel's Dilemma: An In-Depth Analysis of Real-Time Deepfake Detection Services in the Era of Generative AI Fraud | Uplatz Blog, 2026年2月9日访问, https://uplatz.com/blog/the-sentinels-dilemma-an-in-depth-analysis-of-real-time-deepfake-detection-services-in-the-era-of-generative-ai-fraud/
12. Deepfake Video Call Security: How to Spot and Stop Scams, 2026年2月9日访问, https://www.adaptivesecurity.com/blog/deepfake-video-call-security-guide
13. DeepFake Detection for Human Face Images and Videos: A Survey - Monash, 2026年2月9日访问, https://researchmgt.monash.edu/ws/portalfiles/portal/570474609/560518436_oa.pdf
14. Securing Social Media Against Deepfakes using Identity, Behavioral, and Geometric Signatures - arXiv, 2026年2月9日访问, https://arxiv.org/pdf/2412.05487?
15. Deepfake Presentation & Injection Attacks: Risks in ID Authentication, 2026年2月9日访问, https://risk.lexisnexis.com/global/en/insights-resources/article/deepfake-duo-presentation-injection-attacks
16. Deepfake Detection: What is Phishing 3.0 and How Can You Prepare? - Ironscales, 2026年2月9日访问, https://ironscales.com/blog/deepfake-detection-what-is-phishing-3.0-and-how-can-you-prepare
17. Virtual camera detection: Catching video injection attacks in remote biometric systems, 2026年2月9日访问, https://arxiv.org/html/2512.10653v1
18. Liveness detection: protect yourself against fraud - Veridas, 2026年2月9日访问, https://veridas.com/en/liveness-detection/
19. Facial Liveness Detection: How It Works & Why It Matters - Mitek Systems, 2026年2月9日访问, https://www.miteksystems.com/blog/facial-liveness-detection
20. Unmasking Cybercrime: Strengthening Digital Identity Verification against Deepfakes - World Economic Forum, 2026年2月9日访问, https://reports.weforum.org/docs/WEF_Unmasking_Cybercrime_Strengthening_Digital_Identity_Verification_against_Deepfakes_2026.pdf
21. Native Virtual Camera Attacks: The Invisible Threat to Remote Identity Verification | iProov, 2026年2月9日访问, https://www.iproov.com/blog/native-virtual-camera-attacks-invisible-threat-biometric-solution
22. Cyber Risks Associated with Deepfakes - Monetary Authority of Singapore, 2026年2月9日访问, https://www.mas.gov.sg/-/media/mas-media-library/regulation/circulars/trpd/cyber-risks-associated-with-deepfakes.pdf
23. What Tools Can Detect Deepfakes in Live Meetings? - Resemble AI, 2026年2月9日访问, https://www.resemble.ai/deepfake-detection-tools-live-video-calls/
24. Deepfake Attacks: How they Work and How to Stop Them - Nametag, 2026年2月9日访问, https://getnametag.com/newsroom/deepfake-attacks-how-they-work-how-to-stop-them
25. Structural AI Safety: Latent Space Governance in Bio-Design - Veriprajna, 2026年2月9日访问, https://Veriprajna.com/technical-whitepapers/bio-design-ai-safety-latent-space
26. Cognitive Armor: Robustness Against Adversarial AI - Veriprajna, 2026年2月9日访问, https://Veriprajna.com/technical-whitepapers/adversarial-ai-defense-cognitive-armor
27. How to Use Large Language Models (LLMs) with Enterprise and Sensitive Data, 2026年2月9日访问, https://www.startupsoft.com/llm-sensitive-data-best-practices-guide/
28. What Is LLM (Large Language Model) Security? | Starter Guide - Palo Alto Networks, 2026年2月9日访问, https://www.paloaltonetworks.com/cyberpedia/what-is-llm-security
29. What is Behavioral Biometrics - LexisNexis Risk Solutions, 2026年2月9日访问, https://risk.lexisnexis.com/insights-resources/article/what-is-behavioral-biometrics
30. What is Behavioral Biometrics? - OneSpan, 2026年2月9日访问, https://www.onespan.com/topics/behavioral-biometrics
31. Behavioral Biometrics: The Game-Changer in Fighting Synthetic Identity Fraud - Innovify, 2026年2月9日访问, https://innovify.com/insights/behavioral-biometrics-fraud-detection/
32. What is Behavioral Biometrics? | IBM, 2026年2月9日访问, https://www.ibm.com/think/topics/behavioral-biometrics
33. Continuous Behavioral Biometric Authentication for Secure Metaverse Workspaces in Digital Environments - MDPI, 2026年2月9日访问, https://www.mdpi.com/2079-8954/13/7/588
34. What Is Behavioral Biometrics? - BioCatch, 2026年2月9日访问, https://www.biocatch.com/blog/what-is-behavioral-biometrics
35. Unmasking the Fakes: How AI is Powering Deepfake Detection and Video Authentication | by Nunsi Shiaki | Rectlabs Inc | Medium, 2026年2月9日访问, https://medium.com/rectlabs/unmasking-the-fakes-how-ai-is-powering-deepfake-detection-and-video-authentication-999fe4a0f5ff
36. NIST: Reducing Risks Posed by Synthetic Content An Overview of Technical Approaches to Digital Content Transparency - AI Governance Library, 2026年2月9日访问, https://www.aigl.blog/nist-reducing-risks-posed-by-synthetic-content-an-overview-of-technical-approaches-to-digital-content-transparency/
37. Who Is Liable In A Workplace Deepfake Fraud Incident? - - Saunders Law, 2026年2月9日访问, https://www.saunders.co.uk/news/who-is-liable-in-a-workplace-deepfake-fraud-incident/
38. Deepfakes: Why Legal Liability Now Lies with the CIO, 2026年2月9日访问, https://nationalcioreview.com/articles-insights/information-security/deepfakes-why-legal-liability-now-lies-with-the-cio/
39. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, 2026年2月9日访问, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
40. The State of Information Security Report 2025 | Resilience, Compliance & AI - ISMS.online, 2026年2月9日访问, https://www.isms.online/the-state-of-information-security-report-2025/
41. Lawyer Liability for Wire Transfer Fraud - American Bar Association, 2026年2月9日访问, https://www.americanbar.org/groups/tort_trial_insurance_practice/resources/brief/2025-spring/lawyer-liability-wire-transfer-fraud/
42. How to Choose a Liveness Solution That Actually Works? - Oz Forensics, 2026年2月9日访问, https://www.ozforensics.com/id/blog/articles/how-to-choose-a-liveness-solution-that-actually-works
43. Biometric Security Guide : Understanding ISO/IEC 30107 Standards - Pacific Certifications, 2026年2月9日访问, https://blog.pacificcert.com/biometric-security-guide-understanding-iso-iec-30107/
44. ISO/IEC 30107 (Biometric Presentation Attack Detection) - DuckDuckGoose AI, 2026年2月9日访问, https://www.duckduckgoose.ai/glossary/iso-iec-30107--biometric-presentation-attack-detection
45. Identy.io Facial Biometric Technology Receives NIST ISO 30107-3 Level 2 PAD Certification with Perfect Score, 2026年2月9日访问, https://www.identy.io/identy-io-facial-biometric-technology-receives-nist-iso-30107-3-level-2-pad-certification-with-perfect-score/
46. AI Risk Management Framework - NIST, 2026年2月9日访问, https://www.nist.gov/itl/ai-risk-management-framework
47. US Expands Artificial Intelligence Guidance with NIST AI Risk Management Framework, 2026年2月9日访问, https://cdp.cooley.com/us-expands-artificial-intelligence-guidance-with-nist-ai-risk-management-framework/
48. iProov Shows Deepfake Resilience Under NIST Digital ID Rules - AI-Tech Park, 2026年2月9日访问, https://ai-techpark.com/iproov-shows-deepfake-resilience-under-nist-digital-id-rules/
49. Building Deepfake-Resilient Conferencing Procedures - Reality Defender, 2026年2月9日访问, https://www.realitydefender.com/insights/building-deepfake-resilient-conferencing-procedures
50. Deepfake Doppelgangers: Scammers Hijack Zoom Calls To Drain Bitcoin Wallets, 2026年2月9日访问, https://cyberpress.org/deepfake-zoom-scams-drain-wallets/
51. Deepfake Attacks Hit Two-Thirds of Businesses - Infosecurity Magazine, 2026年2月9日访问, https://www.infosecurity-magazine.com/news/deepfake-attacks-hit-twothirds-of/