Nie tylko oszukańcze reklamy — 24-godzinne wyzwanie NASK: wykrywanie powiązanych kampanii

Podejrzana reklama nie zawsze jest odosobnionym przypadkiem. Wyzwanie NASK na zbliżającym się HackNation dotyczy oszukańczych reklam, które zmieniają treść, wygląd i adresy internetowe, choć nadal należą do tej samej operacji. Zadaniem zespołów będzie powiązanie tych materiałów w kampanie, które mogą przeanalizować osoby prowadzące dochodzenie.
HackNation odbędzie się w Bydgoszczy w dniach 21–22 listopada 2026 r. Rozwiązanie opracowane w ramach wyzwania NASK ma docelowo trafić do rozwijanego systemu wykrywania deepfake’ów DROZD. To perspektywa wykraczająca poza budowę efektownego dema. Nie oznacza jednak, że prototyp stworzony w 24 godziny będzie gotowy do pracy produkcyjnej.
Zespoły programistyczne nie muszą więc przez noc ukończyć platformy do wykrywania oszustw. Powinny pokazać wiarygodną metodę łączenia reklam w kampanie, którą da się przetestować i dalej rozwijać z myślą o codziennej pracy analityków.
Czego faktycznie wymaga wyzwanie
W wyzwaniu NASK „Kolekcjoner Fejków” uczestnicy mają analizować teksty reklam, obrazy, domeny i inne ślady cyfrowe, a następnie na podstawie podobieństw łączyć materiały w większe kampanie oszustw. Najważniejsze są relacje między reklamami, a nie samo ustalenie, czy pojedynczy obraz został zmanipulowany.
Organizator planuje opublikować pełne treści zadań 21 listopada o 11:00, a kodowanie zakończy się 22 listopada o 11:00. Publiczna zapowiedź nie jest więc kompletną specyfikacją techniczną. Nie należy z góry zakładać rozmiarów zbiorów danych, zasad oceny, interfejsów integracyjnych ani kryteriów akceptacji wdrożenia.
Przy projektowaniu rozwiązania warto rozdzielić trzy pytania:
Manipulacja: Czy obraz, wideo lub inny materiał został zmodyfikowany?
Oszustwo: Czy reklama przedstawia oszukańczą ofertę lub skłania odbiorcę do działania przez wprowadzenie go w błąd?
Przynależność do kampanii: Jakie dowody łączą ten materiał z innymi podejrzanymi materiałami?
W prototypie powinny to być osobne wyniki, a nie jeden zbiorczy „wskaźnik oszustwa”. System powinien wyjaśniać, dlaczego połączył reklamy w kampanię, a nie sugerować, że ustalił, kto stoi za przestępczą działalnością.
Tak szerokie spojrzenie odpowiada zagrożeniom opisanym w przedświątecznych ostrzeżeniach NASK: kopiowaniu logo, wykorzystywaniu znajomej kolorystyki, naśladowaniu układów stron i ofertom wprowadzającym w błąd. Pojawiają się też linki, po których kliknięciu dzwonią osoby podszywające się pod konsultantów. Deepfake’i to tylko część tego obrazu.
Zaprojektuj proces analizy dowodów, a nie pojedynczy werdykt AI
W prototypie możliwość sprawdzenia dowodów powinna mieć pierwszeństwo przed złożonością architektury. Poniższe wskazówki są propozycją projektu, a nie opisem wewnętrznej architektury systemu DROZD.
Zachowuj obserwacje przed wyodrębnianiem cech
Utwórz rekord dowodowy dla każdej reklamy. Jeśli dane są dostępne i wolno je przechowywać, zachowaj:
Oryginalny obraz lub zrzut ekranu.
Tekst reklamy oraz tekst wyodrębniony z obrazu.
Zaobserwowany URL i znacznik czasu pozyskania materiału.
Dostarczone informacje o stronie docelowej lub przekierowaniach.
Identyfikatory źródeł i status przetwarzania.
Przechowuj oryginalne obserwacje oddzielnie od wyliczonych cech. Wyraźnie oznaczaj brakujące informacje. Niedostępny obraz czy nieudana próba odczytania tekstu nie są dowodem braku podobieństwa.
Dzięki temu analityk mógłby sprawdzić materiały, na podstawie których system zaproponował powiązanie, a programiści — odtworzyć wynik po zmianie logiki dopasowywania.
Porównuj kilka rodzajów dowodów
Zacznij od niewielkiego, jasno określonego zestawu metod dopasowywania. Warto przetestować między innymi:
Tekst: Porównuj wyodrębnione sformułowania, powtarzające się oferty i encje nazwane.
Obrazy: Testuj dopasowanie dokładne, odciski percepcyjne lub reprezentacje wizualne z modeli wstępnie wytrenowanych.
Ślady internetowe: Porównuj zaobserwowane domeny, struktury URL-i i dostarczone informacje o stronach docelowych.
Czas: Sprawdzaj, kiedy zaobserwowano powiązane materiały.
Traktuj te metody jako hipotezy do sprawdzenia na dostępnych danych. Nie zakładaj, że każdy rodzaj danych poprawi wynik.
Wspólne logo nie powinno na przykład wystarczać do przypisania reklam do jednej kampanii. Sprawdź, czy podobieństwo wizualne w połączeniu ze zbieżnymi sformułowaniami oferty i odnośnikami do tych samych stron daje lepiej uzasadnione powiązania. Te oparte tylko na jednym słabym sygnale oznaczaj do weryfikacji.
Umożliwiaj sprawdzanie powiązań
Przedstaw reklamy jako węzły, a proponowane powiązania jako krawędzie grafu. Przy każdej krawędzi zapisz dowody, na których się opiera, wartości cech oraz wersję mechanizmu punktacji.
Nie łącz automatycznie każdego łańcucha podobieństw w jedną kampanię. Jeśli reklama A przypomina B, a B przypomina C, przeprowadź dodatkowe kontrole, zanim przedstawisz wszystkie trzy jako jedną operację.
Interfejs powinien odpowiadać na proste pytanie: Dlaczego te reklamy znalazły się w jednej grupie? Takie wyjaśnienie jest w dochodzeniu bardziej przydatne niż identyfikator klastra bez uzasadnienia.
Zaplanuj 24 godziny tak, by powstało demo, które można przetestować
Warto skupić się na jednym kompletnym przepływie pracy:
Wczytaj materiał dowodowy, zaproponuj powiązania, utwórz wstępne grupy i pozwól osobie weryfikującej sprawdzić uzasadnienia.
Proponowany podział czasu:
Godziny 0–4: Przeczytaj opublikowaną specyfikację, przeanalizuj dane i przygotuj rozwiązanie bazowe.
Godziny 4–10: Zaimplementuj wczytywanie danych oraz wyznaczanie ograniczonego zestawu cech tekstu, obrazów i URL-i.
Godziny 10–16: Dodaj punktową ocenę powiązań i grupowanie. Zadbaj o to, by słabe powiązania pozostawały widoczne.
Godziny 16–21: Zbuduj interfejs przeglądu dowodów i przeanalizuj błędy.
Godziny 21–24: Dopracuj stabilność dema, udokumentuj ograniczenia i przygotuj instrukcję ponownego uruchomienia rozwiązania.
To propozycja planu, a nie przebieg pracy narzucony przez organizatora.
Rozwiązanie bazowe powinno być celowo proste. Zacznij od dokładnych dopasowań i jasno określonych reguł zgodności. Bardziej złożone reprezentacje dodawaj tylko tam, gdzie testy wykażą korzyść.
Demonstracja powinna pokazywać zarówno trudne przypadki, jak i poprawne wyniki. Testuj niepowiązane reklamy o podobnej identyfikacji wizualnej, powiązane reklamy ze zmienioną treścią, przypadki z brakującymi rodzajami danych i niepewne relacje. Pozwól systemowi zwrócić wynik „niewystarczające dowody”, zamiast na siłę przypisywać każdy element do kampanii.
Dla instytucji, która mogłaby korzystać z rozwiązania, najważniejszym efektem prac nad prototypem powinien być pakiet dowodowy umożliwiający weryfikację: proponowane powiązania, wyjaśnienia, wyniki oceny i udokumentowane przypadki błędnego działania.
Oceń jakość odtwarzania kampanii, zanim ogłosisz gotowość
Ocena powinna odpowiadać zadaniu: osobno mierzyć błędne łączenie kampanii, a osobno niewykryte powiązania.
Jeśli dostępne są wiarygodne etykiety kampanii, można wykorzystać metryki klasteryzacji. Jednorodność (homogeneity) mierzy, czy klastry zawierają elementy tylko jednej klasy referencyjnej. Kompletność (completeness) mierzy, czy elementy danej klasy referencyjnej pozostają razem. Skorygowany indeks Randa pozwala porównać przewidywany podział na grupy z podziałem referencyjnym, z uwzględnieniem zgodności wynikającej z przypadku. Miary te wymagają odpowiednich etykiet referencyjnych; same nie pozwalają ustalić rzeczywistej przynależności do kampanii.
Uzupełnij te miary pytaniami o przydatność rozwiązania w pracy analityków:
Ile proponowanych powiązań mogą potwierdzić osoby weryfikujące?
Które pozornie uzasadnione podobieństwa powodują błędne łączenie grup?
Jak często system rozdziela znaną kampanię?
Co się dzieje, gdy brakuje obrazu, śladu domenowego lub pola tekstowego?
Jak długo trwa przetwarzanie i ile pracy wymaga weryfikacja wyników?
Zaprojektuj zbiór testowy tak, by sprawdzał rozwiązanie w warunkach planowanego wdrożenia. Nie pozwól, by dokładne duplikaty zawyżały ocenę. Osobno testuj zmodyfikowane kreacje reklamowe i stosuj podział chronologiczny tam, gdzie pozwalają na to wiarygodne znaczniki czasu. Niepewne lub niekompletne etykiety wskaż jako ograniczenie.
Przed wdrożeniem określ też zasady bezpiecznego pozyskiwania materiału dowodowego. Pobieranie dowolnych zgłoszonych URL-i stwarza ryzyko ataków typu server-side request forgery, a automatyczne przekierowania mogą pozwolić na obejście wstępnej walidacji. OWASP zaleca zabezpieczenia na poziomie aplikacji i sieci oraz wyłączenie automatycznego podążania za przekierowaniami w procesie walidacji.
Przy budowie tego detektora warto więc odizolować pozyskiwanie danych od głównych usług i ograniczyć dostęp do sieci. Jeśli dostarczony materiał dowodowy wystarcza, na etapie prototypu najlepiej całkowicie zrezygnować z pobierania zasobów na żywo.
Traktuj integrację z systemem DROZD jako osobny etap inżynierski
NASK wskazuje DROZD jako docelowy system integracji. Komunikat opisuje cel, a nie ukończoną integrację czy potwierdzone wdrożenie produkcyjne. Dalszy rozwój również jest przedstawiany jako możliwość, a nie gwarantowany rezultat wydarzenia.
Przekazując rozwiązanie do dalszych prac, trzeba zatem wskazać kwestie, które wciąż wymagają decyzji:
Kto odpowiada za utrzymanie i dalszy rozwój?
Jaki schemat danych dowodowych i jaki interfejs zaakceptuje system docelowy?
Jaki poziom błędów i nakład pracy przy weryfikacji są akceptowalne?
Jak analitycy będą korygować powiązania lub rozdzielać błędnie połączone grupy?
Jakie mechanizmy kontroli dostępu, zasady retencji i rejestry audytowe są wymagane?
Kto zatwierdza testy bezpieczeństwa, wdrożenie i jego wycofanie?
Wdrożenie warto zacząć od kontrolowanego pilotażu, w którym analitycy weryfikują sugestie bez automatycznego uruchamiania działań interwencyjnych. Przejście do kolejnych etapów powinno zależeć od zmierzonej użyteczności, testów bezpieczeństwa i uzgodnionych kryteriów akceptacji.
Dwadzieścia cztery godziny wystarczą na przetestowanie hipotezy inżynierskiej. Wdrożenie produkcyjne wymaga osobnego zobowiązania do integracji, oceny rozwiązania i przejęcia odpowiedzialności za jego działanie. Zespoły budujące narzędzia do wykrywania kampanii powinny więc skupić się nie na daleko idących deklaracjach dotyczących AI, lecz na przejrzystym przedstawieniu dowodów. To pozwoli testować i kwestionować wyniki, a na tej podstawie ulepszać rozwiązanie.



