BlogSeguridad y confianza

Biometría que se puede auditar: cómo leer NIST FRTE, ISO/IEC 30107-3, APCER y BPCER

Las soluciones de identidad presumen siglas como NIST, ISO 30107-3 o “liveness”. Qué mide realmente cada una, qué no mide, y qué debe exigir un ingeniero antes de confiar en un sistema biométrico. Incluye un simulador del umbral de decisión.

Alberto Valdovinos · 5 min de lectura

Cualquier plataforma de verificación de identidad muestra en su página una fila de siglas: NIST, ISO/IEC 30107-3, liveness, KYC. Suenan a garantía, pero cada una responde una pregunta distinta, y ninguna por sí sola dice si el sistema es seguro.

En esta entrada explico, desde el punto de vista de un ingeniero, qué significa cada una, cómo leer sus números y qué preguntas hacer antes de poner un sistema biométrico en producción.

Dos preguntas que no son la misma

Un sistema de reconocimiento facial en un proceso de confianza tiene que responder dos cosas:

  1. ¿Eres tú? Comparar el rostro capturado contra una referencia. Puede ser una verificación 1:1 (¿esta persona es quien dice ser, según su identificación?) o una identificación 1:N (¿quién de toda la base de datos es esta persona?).
  2. ¿Eres real? Confirmar que frente a la cámara hay una persona viva y presente, y no una foto, un video en una pantalla o una máscara. Esto es la detección de ataques de presentación (PAD), lo que en el mercado se llama liveness.

Un algoritmo puede ser excelente en la primera pregunta y vulnerable en la segunda. Por eso se evalúan por separado.

NIST FRTE y FATE: un banco de pruebas, no un sello

Durante años, la referencia mundial fue el Face Recognition Vendor Test (FRVT) del NIST de Estados Unidos. En 2023 el programa se dividió en dos:

  • FRTE (Face Recognition Technology Evaluation): mide la precisión del reconocimiento, en pistas como verificación 1:1 e identificación 1:N.
  • FATE (Face Analysis Technology Evaluation): mide capacidades de análisis, como detección de ataques de presentación, detección de morphing y calidad de imagen.

Lo importante: aparecer en NIST no es una certificación. Significa que un fabricante envió su algoritmo y el NIST lo midió con sus conjuntos de datos. Al leer un resultado conviene preguntar:

  • ¿Qué pista? No es lo mismo 1:1 que 1:N, ni fotos de visa que imágenes tomadas en la calle.
  • ¿Qué fecha? Los algoritmos mejoran rápido; un resultado de hace dos años dice poco.
  • ¿En qué punto de operación? La tasa de rechazo (FNMR) siempre se reporta a una tasa de falsa aceptación (FMR) fija. Bajar una sube la otra.

ISO/IEC 30107-3: cómo se mide el liveness

La norma ISO/IEC 30107-3 (segunda edición, 2023) define cómo probar y reportar la detección de ataques de presentación. Sus dos métricas centrales son:

  • APCER (Attack Presentation Classification Error Rate): la proporción de ataques que el sistema clasificó como personas reales. Es decir, cuántos fraudes pasaron.
  • BPCER (Bona fide Presentation Classification Error Rate): la proporción de personas reales que el sistema clasificó como ataque. Es decir, cuántos usuarios legítimos fueron rechazados.

Las dos dependen del mismo umbral de decisión, y se mueven en sentidos opuestos. No hay forma de bajar ambas moviendo el umbral; solo un mejor detector las baja a la vez. Muévelo tú:

Simulador · Detección de ataques de presentación

¿Dónde pones el umbral?

umbral 0.50AtaquesPersonas realespuntaje de “vida” bajoalto
APCER2.9%Ataques clasificados como reales. De cada 10,000 intentos de fraude pasarían 287.
BPCER2.9%Personas reales rechazadas. De cada 10,000 usuarios legítimos, 287 tendrían que reintentar.

Distribuciones ilustrativas. En una evaluación real, el APCER se reporta por cada tipo de ataque (foto, video, máscara…).

Tres detalles que suelen perderse en los materiales comerciales:

  1. El APCER se reporta por tipo de ataque. Un sistema puede detectar el 100% de las fotos impresas y fallar con máscaras de silicón. Un solo APCER "promedio" esconde el peor caso, que es justo el que buscará un atacante.
  2. La norma no define niveles. Expresiones como "nivel 1" o "nivel 2" vienen de los programas de prueba de laboratorios acreditados, que eligen qué ataques probar y con qué presupuesto. Decir "cumple con 30107-3" sin nombrar el laboratorio, el nivel y los resultados dice qué manual se usó, no qué resultado se obtuvo.
  3. No cubre los ataques de inyección. La norma trata ataques frente a la cámara. Un atacante que inyecta un video, o un deepfake, directamente en el flujo de datos, con una cámara virtual o un dispositivo manipulado, nunca "presenta" nada ante el sensor. Eso requiere controles adicionales: integridad del dispositivo, del canal y de la sesión.

El dato biométrico es un dato sensible

En México, la nueva Ley Federal de Protección de Datos Personales en Posesión de los Particulares se publicó en el DOF el 20 de marzo de 2025 y entró en vigor al día siguiente, sustituyendo a la ley de 2010. La autoridad en la materia para particulares dejó de ser el INAI y pasó a la Secretaría Anticorrupción y Buen Gobierno.

Para quien construye el sistema, la conclusión práctica es clara: un rostro es un dato personal sensible, y su tratamiento exige consentimiento informado y medidas de seguridad proporcionales al riesgo. En el diseño eso se traduce en decisiones concretas:

  • Guardar plantillas, no fotos, siempre que el proceso lo permita, y cifrarlas en reposo y en tránsito.
  • Definir la retención desde el diseño: cuánto tiempo vive cada dato y quién puede borrarlo.
  • Registrar cada decisión con su puntaje, su umbral y la versión del modelo, para poder auditarla después.
  • Revisión humana de los resultados adversos: si una persona es rechazada en un proceso de contratación, alguien debe poder explicar por qué.

No soy abogado; esto es la lectura de un ingeniero. Cualquier implementación debe validarse con el área legal.

Checklist antes de confiar en un sistema biométrico

  • ¿Qué resultado de NIST FRTE tiene el algoritmo, en qué pista y de qué fecha?
  • ¿Su PAD fue evaluado por un laboratorio independiente bajo ISO/IEC 30107-3? ¿Con qué nivel y qué APCER por tipo de ataque?
  • ¿Qué BPCER espero con mi población real, mis cámaras y mi iluminación? ¿Lo medí con una prueba piloto?
  • ¿Qué controles tengo contra ataques de inyección?
  • ¿Mi umbral está elegido según el costo real de cada error en mi proceso: fraude contra fricción?
  • ¿Cada decisión queda registrada y es auditable?
  • ¿El tratamiento de datos cumple con la LFPDPPP y está documentado en el aviso de privacidad?

La misma lección que con los LLM

Esta semana escribí que ningún número cuenta la historia completa de un modelo de lenguaje. Con la biometría pasa exactamente lo mismo: un porcentaje de "confianza" no significa nada sin saber qué se midió, contra qué ataques, en qué punto de operación y con qué población. La confianza no se declara; se mide, se registra y se puede auditar.

Referencias