为什么Glance不如FaceID安全?2D摄像头人脸解锁与活体检测边界的深度剖析
为什么Glance不如FaceID安全?2D摄像头人脸解锁与活体检测边界的深度剖析
Glance 是一款运行在 Mac 上的人脸解锁工具,它把 iPhone FaceID 式的"看一眼就开屏"体验搬到了你的 MacBook 上。但很多用户会有同一个疑问:Glance 的人脸解锁和 FaceID 一样安全吗? 答案是否定的。Glance 依赖的是 Mac 内置的 2D 摄像头,而非 iPhone 的 3D 深度传感器,这正是它与 FaceID 之间最根本、也最关键的安全差距。本文将带你深入 Glance 的活体检测机制,剖析它能防住什么、防不住什么,以及你该如何安全地使用它。
Glance 是什么:给 Mac 装上"人脸解锁"
先简单介绍一下 Glance 能做什么,这样后面谈安全边界时才有参照。
Glance 的工作原理可以概括为三步:
- 录入人脸:按引导转动头部九个方向,每一帧都被转换成一组 512 维的数学指纹(embedding),原图随即丢弃。
- 存储密码:你的 Mac 密码只输入一次,加密后放在本地。
- 自动解锁:当 Mac 锁屏或从睡眠唤醒时,摄像头扫描你的脸,活体检测通过后就自动帮你输入密码完成解锁。
整个过程都调用 Apple 的 Vision 和 Core ML 框架,在设备本地完成——你的脸和密码从不联网。人脸识别用的是 InsightFace 的 ArcFace 模型,模型权重见 ArcFace.mlpackage,嵌入逻辑在 ArcFaceEmbedder.swift。
听起来很美好,但"本地 + 人脸 + 自动输密码"这几个词组合在一起,恰恰放大了它的安全短板。
为什么天生不如 FaceID:3D 点阵 vs 2D 摄像头
这是全文最重要的一点。
iPhone 的 FaceID 之所以可靠,靠的是一整套红外点阵投影系统:它把上万个红外点投射到脸上,再读回一张真正的 3D 深度图。你拿一张照片、一段视频去"骗"它,因为它没有深度,所以根本过不了关。
而 MacBook 的摄像头只能拍到一张扁平的 2D 图片。Glance 的作者把这个差距写得非常直白(见 README.md 的安全警告):
"MacBooks don't come equipped with the depth sensors that make iPhone FaceID trustworthy and secure. An iPhone builds a 3D map of your face; a MacBook webcam sees a flat 2D image."
翻译过来就是:iPhone 给你建一张三维地图,MacBook 摄像头只看到一张平面照片。
正因为缺了深度信息,Glance 的活体检测无法像 FaceID 那样"一眼看穿",只能退而求其次,靠一系列视觉线索去推断"这是不是一个活人"。这也是它不如 FaceID 的根本原因——不是算法不够努力,而是硬件信息天生不够。
活体检测的 5 道"防伪线索"
既然没有深度图,Glance 就用五个独立线索来区分"真人"和"照片/屏幕"。这套设计集中在 LivenessAnalyzer.swift 和 LivenessCues.swift,核心逻辑是在一个约 2 秒的滚动窗口内观察这些线索。
这 5 个线索分成两组,角色完全不同:
一、拒绝线索(Deny):抓到伪造就立刻失败
任何一条触发,扫描直接失败,并且能推翻之前所有的"确认"。
- 眩光 / 屏幕反光(
glossGlare):皮肤的反光是零散的小光点,而玻璃/屏幕会反射出一大块平坦的镜面高光。像素级提取逻辑在 GlareCueExtractor.swift。 - 设备矩形检测(
deviceDetected):用文档扫描常用的矩形检测算法,找"一张脸是不是被框在一个手机/平板屏幕里"。实现在 DeviceBezelDetector.swift。
二、确认线索(Confirm):证明这是真人
任意一条触发就算通过,而且**"没触发"不等于失败**——因为一个活人完全可能一动不动、全程不眨眼。
- 平面 vs 3D(
flatVs3D):如果脸是平的照片,所有关键点都能被一张平面完美拟合;而真人的鼻子是"凸出来"的,会系统性地偏离平面。几何算法在 GeometryLiveness.swift。 - 深度 / 姿态一致性(
depthPose):真人的鼻子偏离双眼平面,偏移量会随头部转动而变化;平面照片无论如何旋转,这个偏移量都恒定。 - 眨眼(
blink):通过眼睛纵横比的"下降—恢复"事件来判断,照片是不会眨眼的。
Light 与 Heavy:两种严格程度
你可以在设置里选择活体检测的强度(见 RecognitionSettingsPage.swift),对应 LivenessCues.swift 里的两种模式:
| 模式 | 行为 | 适用场景 |
|---|---|---|
| Light(默认) | 只运行拒绝线索,"默认通过,除非证明是假的" | 追求顺畅,防明显照片 |
| Heavy(重度) | 拒绝 + 确认线索都要过 | 更高的防伪强度 |
💡 关键点:防手机屏幕上的照片,需要把活体检测开到 Heavy。 这是官方文档明确强调的。
活体检测的边界:照片、屏幕照片、视频
这是"为什么不如 FaceID"最具体的体现。Glance 作者在 FaceUnlockCoordinator.swift 的注释里,诚实地列出了它的能力边界:
| 攻击方式 | Glance(Heavy 活体)能否防住 | 原因 |
|---|---|---|
| 打印的照片 | ✅ 能,有较高把握 | 静态、无眨眼、无鼻子视差、有屏幕/纸张特征 |
| 手机屏幕上的照片 | ✅ 能,需开启 Heavy | 眩光 + 设备矩形两条拒绝线索触发 |
| 回放你的人脸视频 | ⚠️ 不能可靠防住 | 真实视频包含"真"的面部非刚性运动,与真人几乎无法区分 |
最后一条正是要害。一段真实拍摄的你眨眼睛、转头的视频,其非刚性运动(眨眼、嘴部、头部视差)和真人几乎一模一样——这些恰恰是确认线索"认为的真人证据"。Glance 目前没有一个专门的"演示攻击检测(Presentation Attack Detection)模型,所以它无法在"真人"和"视频里的真人"之间做出区分。
换句话说:FaceID 靠硬件(深度)天然免疫视频攻击,而 Glance 的软件活体检测对视频攻击是脆弱的。 这就是它"不如 FaceID 安全"的核心所在。作者也直言,要补齐这块需要一个专门的攻击检测模型,"而不是更多的几何学"。
解锁的"五重保险"门槛
虽然活体检测有边界,但 Glance 并不是一脸匹配就放行密码。一次成功解锁必须同时满足以下全部条件(见 FaceUnlockCoordinator.swift 的扫描逻辑):
- 存在一个已授权的 Glance 会话;
- Mac 确实处于锁屏状态;
- 某个启用中的身份相似度超过设定阈值;
- 活体检测通过(独立于人脸识别,两者并发运行、各自锁存);
- 拥有辅助功能权限以输入密码。
人脸识别与活体检测是两条独立并发的闸门,都要成功才会输入密码。这种"双闸门"设计让活体检测真正成为一个独立的防线,而不是被识别置信度拖累的附属项。
你的数据真的安全吗?
抛开活体检测的边界,Glance 在数据隐私上做得相当扎实,这点值得肯定:
- 从不保存摄像头图片:录入时每一帧都转成 512 维 embedding 后立即丢弃。
- 密码本地加密:Mac 密码用 AES-GCM 加密,密钥是一把 256-bit AES 密钥,存在 macOS Keychain 里并由 Touch ID 保护(
userPresence)。两层存储设计见 SecureCredentialManager.swift。 - 纯本地运行:人脸识别、录入、活体检测全部在设备端完成,绝不把人脸数据、摄像头帧或凭据发送到任何服务器。
所以更准确的定位是:Glance 在"数据不泄露"上接近安全,但在"防止别人用你的照片/视频冒充你"上,弱于 FaceID。
实用建议:如何更安全地使用 Glance
如果你决定启用 Glance,下面几条能帮你把风险压到最低:
- 🔐 把活体检测设为 Heavy:至少能挡住打印照片和手机屏幕照片这两类最常见的攻击。
- ⚠️ 把它当作"便利功能"而非"安全升级":Glance 官方明确说它是 convenience feature, not a security upgrade。真正的安全底线仍是你的 Mac 密码。
- 📵 离开工位就锁屏:别把 Mac 长时间解锁着离开,尤其在有人可能用视频/照片尝试的场景。
- 👤 善用多身份开关:Glance 支持录入多个身份并可单独停用,不需要的身份及时关掉。
- 🧪 先 Face Lab 验证再启用:Glance 内置了一个隐藏调试台(设置 → 关于页,连点图标 5 次),可以先实测活体检测的真实表现,再决定是否开启自动解锁。
小结
一句话总结:Glance 的人脸解锁和 FaceID 不在同一个安全量级上。 差距的根源是硬件——Mac 的 2D 摄像头没有深度信息,活体检测只能靠视觉线索去"推断",于是它能防住静态照片、手机屏幕照片(需 Heavy),却防不住回放你的人脸视频。
它更像是一枚"方便钥匙"而非"保险柜":本地加密、不上传数据这些做得很好,但"防止被你的影像冒充"这道题,2D 摄像头从物理上就答得不完整。理解了这个边界,你才能判断它适合你的使用场景,并据此把活体检测、锁屏习惯都配置到位。