Referência: Sinais de origem e histórico
Todo produto sério de fraude documental vende alguma versão da mesma ideia. Se você sabe como um emissor de verdade gera os PDFs dele, um arquivo que se diz daquele emissor e não bate com o padrão merece uma segunda olhada. Eu quis essa funcionalidade e não quis construí-la em cima de chute, então medi. Duas vezes, em dois mundos. Os resultados apontaram para lados opostos.
Primeiro mundo: os PDFs que bancos publicam
A medição americana já tem um post inteiro em inglês: 213 PDFs de 24 bancos, e 0 de 17 perfis elegíveis atingiram 80% de acordo no producer. Producer é o campo onde o PDF grava qual programa o gerou.
A versão brasileira foi mais curta e mais dura. 33 PDFs publicados por bancos brasileiros carregam 24 producers distintos, e 0 de 15 perfis passam o mesmo corte. Não há linha de base possível ali, em nenhum dos dois países.
O motivo não é mistério depois que se olha arquivo por arquivo. O que um banco publica no site é tarifário, regulamento, cartilha: material que quinze anos de equipes de marketing produziram em quinze ferramentas diferentes. Esses documentos não têm nada em comum além do logotipo. Uma linha de base construída sobre eles marcaria como suspeito exatamente o documento legítimo.
Segundo mundo: os contratos que saem de pipeline
A hipótese registrada no plano era que o alvo estava errado, não a ideia. Documento de governo sai de sistema de composição que roda sozinho, sem departamento de marketing no meio. A fase 0 testou isso nos 250 contratos do PNCP que já estavam em disco: 113 órgãos distintos, 7 deles com pelo menos 5 amostras. 6 dos 7 passam o corte. O critério pedia três.
E cada aprovado tem nome de pipeline, não de ferramenta de escritório. O melhor deles é BRySignerPDF sobre JasperReports, com 0,987 de consistência em 77 documentos. Os outros passam com Crystal Reports, Telerik, Word LTSC e FPDF. O único órgão reprovado é o que imprime contrato pelo Firefox no macOS, com 0,571 de consistência. A hipótese se confirmou nas duas direções: onde há pipeline há impressão digital, onde há alguém imprimindo do navegador não há.
Cada dimensão é pontuada dentro do emissor e também entre emissores. Sem a segunda metade, um valor que metade da internet satisfaz, como página A4 e uma revisão só, passaria como se fosse assinatura do órgão. Consistência interna sem raridade externa não identifica ninguém.
Os dois limites, ditos antes que alguém os descubra
Sete emissores elegíveis é um denominador fino, e um dos seis aprovados passa em dimensões fracas. É uma fase 0: o resultado autoriza continuar medindo, não autoriza prometer.
E vale repetir o limite que governa a funcionalidade inteira desde o corpus americano. Um documento regenerado do zero, impresso limpo com a fraude dentro desde o primeiro byte, sai coerente em tudo. Nenhuma linha de base pública pega isso.
Por isso a versão dessa funcionalidade que eu defendo é a que roda sobre documentos que você fornece. Os originais que a sua operação já sabe serem legítimos, comparados com o que chega.
Compare dois PDFs: o candidato contra o original que você já confia, que é a verificação mais forte que existe. Grátis, sem conta, nada é armazenado.