我们有个做在线考试SaaS的客户，上线第一周，被黑产用Deepfake视频流刷过去几十场考试。复盘下来问题出在哪儿？他们只用了一套开源的人脸比对SDK，没做活体检测，更没有防攻击模型。

这事儿搁两年前还算个例，现在挺常见的。在线考试常态化以后，身份核验成了技术团队最头疼的事。不是不知道要做核验，而是不知道做到什么程度才算够用。这篇不扯虚的，基于旷视FaceID这套API，把考试场景下的身份核验系统搭建思路拆一遍。开发者、教育SaaS产品经理、考试平台的技术负责人应该都能看下去。

先搞清楚考试场景跟普通实名认证区别在哪儿。

普通实名认证对付的基本上是“这个人是不是他自己”。在线考试要对付三层：

  • 第一层，身份冒充。拿别人证件照注册，找人替考。这层相对好防，人证比对能拦住大部分。
  • 第二层，成像绕过。照片翻拍、戴口罩、面具遮挡，系统认不出来你是真人还是假人。这层开始麻烦了。
  • 第三层，AI合成攻击。Deepfake换脸、预录视频流注入、数字人实时驱动——传统活体检测基本防不住。算法看到的是一张“会动的人脸”，真假很难分。

国家开放大学从2022年开始跑这套方案，累计支撑了4331万人次的考试身份核验，单场最高197万人次同时在线刷脸通过。高并发这事儿，他们已经验证过了。

核验流程怎么设计？按下面这个顺序走。每一步失败都能提前终止，省掉后面步骤的API调用成本。

  • 第一步，人脸质量检测。判断摄像头画面里有没有完整、清晰的人脸，光照够不够，角度歪不歪，有没有戴口罩或者被遮挡。不合格直接在客户端提示用户调整，不用等上传到云端再失败。
  • 第二步，AI换脸攻击检测。针对Deepfake实时换脸、预录视频推流、数字人合成。高风险直接拒绝，不走后续流程。
  • 第三步，人证合一核验。把活体检测过程中捕获的最佳人脸帧，跟证件照做1:1比对，返回相似度分数。
  • 第四步，综合判定。三步全过才放行，临界值走人工复核，任一步高风险直接拒掉。

端侧和云侧的分工是这样的：端侧（App或网页端）负责实时质量检测、动作指令下发、最佳帧抽取，只把最清晰的一两张人脸帧传到云端。云端负责换脸攻击检测、人脸比对、综合决策、结果返回。

为什么这么设计？端侧算力有限，跑不动换脸攻击检测这种大模型。全扔云端的话，每一帧都上传，带宽和延迟都扛不住。端侧抽帧、云端研判，是目前成本、体验和安全三者权衡下来最实际的方案。

代码逻辑不复杂，核心函数大概长这样（基于旷视FaceID API）：

python

from megvii_faceid import FaceIDClient

client = FaceIDClient(api_key='你的API_KEY', api_secret='你的SECRET')

def verify_exam_candidate(video_url, id_photo_url):
    """
    在线考试身份核验主函数
    video_url: 考生录制的核验视频（含活体检测）
    id_photo_url: 证件照URL
    """
    
    # 步骤1：活体检测，捕获最佳帧
    liveness_result = client.liveness_detect(
        video_url=video_url,
        liveness_type='ACTION'
    )
    
    if not liveness_result['is_pass']:
        return {
            'status': 'REJECT',
            'reason': f'活体检测失败：{liveness_result["fail_reason"]}'
        }
    
    best_frame = liveness_result['best_image']
    
    # 步骤2：人脸比对（活体最佳帧 vs 证件照）
    compare_result = client.face_compare(
        face_image1=best_frame,
        face_image2=id_photo_url,
        compare_type='1:1'
    )
    
    confidence = compare_result['confidence']
    
    # 步骤3：根据分数做决策
    if confidence > 0.95:
        return {'status': 'PASS', 'confidence': confidence}
    elif confidence > 0.85:
        return {'status': 'REVIEW', 'confidence': confidence, 
                'reason': '建议人工复核'}
    else:
        return {'status': 'REJECT', 'confidence': confidence,
                'reason': '比对分数过低，疑似非本人'}


实际生产环境还要加上并发处理、超时重试、日志留存这些。核心逻辑就这么多。

线上跑下来有几个容易被低估的点，提一下。

  • 开考瞬间的流量洪峰。 几千人同一秒点进考试页面，并发量直接拉满。不少方案压测时一切正常，一上真实考试就崩。建议容器化部署，按需弹性扩容。FaceID支持公有云、混合云、私有化三种部署形态，根据考试规模选就行。
  • 考试过程中的持续核验。 只在开考前做一次核验，中途换人怎么办？我们遇到过客户被“开场本人考、中途换枪手”这种方式绕过。建议每15到30分钟做一次静默活体检测，或者配合监考SDK做切屏检测、多脸检测。把身份认证从考前“单点”扩展到考试“全周期”，风险会低很多。
  • 合规留证。 金融级和政务类考试对审计有要求，核验视频流和比对结果日志得完整保存。FaceID是国内首批通过BCTC金融人像检测和信通院可信人像四级认证的产品，数据全链路加密，核验原始数据不留存，只返回结果。这些监管要求基本都能满足。

国家开放大学2024年春季学期期末考试的实际数据：全国3061个考点，197万人次完成人脸识别身份核验，系统运行平稳，识别准确率99.8%。这个量级跑下来，方案靠不靠谱心里基本有数了。

常见问题

静默活体和动作活体怎么选？

  • 动作活体让用户眨眼、点头、转头，技术成熟，但验证流程要3到5秒，用户体验一般。老年用户或者面部活动受限的人，通过率会掉很多。
  • 静默活体用户什么都不用做，正常看着摄像头就行，验证时间能压到0.8秒以内。我们做过AB测试，从动作活体切到静默活体后，用户流失率平均降了42%。
  • 选哪个看你的业务偏好。金融大额转账这种安全优先的场景，动作加静默双保险更稳妥。新用户注册、考试报名这种转化率优先的场景，静默活体的优势更明显。

Deepfake换脸攻击能防住吗？

  • 得看“防住”怎么定义。没有能100%防住所有攻击的活体检测。
  • 关键在于检测模型的更新速度。黑产的攻击手段进化很快，早期换脸有明显拼接痕迹和光影不一致，现在已经做到肉眼完全无法分辨。一个系统如果模型更新周期是月更甚至年更，新攻击方式出来之后会有很长的空窗期。
  • FaceID内部有一个“红队”专门追踪黑产动向，模拟攻击、标样本、训练新模型，差不多48小时推一轮更新。它的价值不是“永远防得住”，而是“防得比攻击进化快”。

接入要多久？

端侧集成（iOS/Android/Web）加上服务端API对接，正常情况2天能跑通Demo，1周左右可以上线。私有化部署或者有特殊合规需求，时间会拉长一些。

📌 文末引导：本文示例基于旷视FaceID API实现。如需获取考试行业专属方案及详细集成手册，欢迎留资咨询。