基于3D的CAPTCHA验证码研究

使用验证码的主要目的是保证网络的用户是真实的用户而非机器自动产生的用户,这有利于保证网站的安全,而CAPTCHA技术主要用于验证码的生成,传统的验证码生成采用的是2D-CAPTCHA技术,目前该技术已经比较成熟,因此,针对此技术的攻击的研究也比较多,导致了该技术使用的不安全性系数增加.针对这一问题,文章研究了CAPTCHA技术的发展新动向3D-CAPTCHA技术.

基于改进Xception网络的验证码识别

验证码是一种公共自动化程序,用于区分用户和计算机.为了从网站大量获取信息,机器必须自动识别网站的验证码.为了自动识别验证码,研究基于深度学习的验证码识别,提出基于Xception网络和MLP的验证码识别方法.先利用Xception提取验证码特征,再经MLP标定不同权重,最终得到网络的最优权重分布.这种端到端的深度学习具有从输入到输出的预测,可以省去预处理、字符分割等步骤.经对不同验证码数据集的测试,该算法识别正确率在95%以上.

用于文本验证码生成的随机扰动优化网络

文本验证码具有友好和易于理解的特点,被广泛应用于众多互联网应用的安全防御机制中。传统的文本验证码通过将字符扭曲变形或者增加背景噪声来提高安全性,但随着深度学习技术的发展,其安全性难以为继且过度变形的字符会对人类用户识别带来新的难题。为了解决上述问题,本文提出了一种带有随机化策略的扰动优化框架(Perturbation Optimization Network with Randomization for Text-based CAPTCHAs Generation,PORG),用于生成对人类友好但机器难以破解的文本验证码图像。该框架基于先进的扰动方法设计出扰动生成网络(Perturbation Generation Network,PGN),构建丰富的图像扰动因子并应用随机化策略生成多样化的验证码图像。现有方法所生成的扰动因子容易破坏验证码图像传递的视觉信息,对人类用户的识别造成负面影响,违背了验证码设计的初衷,因此本文提出了一种扰动优化网络(Perturbation Optimization Network,PON)对生成的扰动因子进行优化,通过在图像特征层面上扩展距离并在全局层面上缩小差距,使得所生成的验证码在保持人类友好性的同时有效地对抗攻击者模型。本研究在8个真实世界数据集上进行的大量实验,证明了所提出框架模型的优越性,例如在CNKI数据集上,攻击模型的准确率从90.03%降至0.12%。

小数据集复杂文本验证码识别

针对小数据集复杂文本验证码识别,使用传统的机器学习方法存在去噪难和分割难的问题,使用深度学习方法需要大量数据增加泛化性,数据不足容易导致过拟合。根据验证码的特点,提出了基于字符分割的小数据集复杂文本验证码识别方法,使用pix2pix做文本去噪,使用目标检测网络YOLOv4分割单字符,使用KNN算法进行分类。实验结果表明,该方法的单字符识别准确率达98.7%,优于开源模型的识别结果,验证了该方法在破解小数据集复杂文本验证码上的可行性和有效性。

几种Cayley图上的验证码与定位码

2019年,Junnila,Laihonen和Paris研究了循环图C_(n)(1,d),C_(n)(1,d−1,d)和C_(n)(1,d−1,d,d+1)上的定位码和验证码.本文研究p^(2)阶和2n阶交换群上的八度以内的Cayley图的定位码和验证码,确定它们的最优界,并给出达到最优界的码的例子.这推广了多个关于定位码和验证码的结果.

密码、验证码都没说,钱是怎么被骗走的?

2024年1月,武汉市民张某接到一陌生电话,电话自称是某平台的客服,告诉张某购买的快递在运输路上遭到损毁,平台要对其进行赔付。之后,张某根据电话中客服的指导,通过不明链接下载了“微易云”App,并按照对方要求,在App中发起了屏幕共享。

基于TensorFlow和CNN模型的验证码识别研究

针对传统机器学习中应用于多位字符验证码的分割识别方法具有整体准确率低、泛化能力不足的问题,提出一种高效通用的识别方法。设计基于CNN模型的端到端字符型验证码识别流程,使用TensorFlow框架实现流程的数据训练和效果验证。该方法可以高效地识别出字符型验证码,其平均准确率为95%以上,输入整张图片,直接输出整体识别结果,具有更强的通用性。使用CNN模型识别多位字符验证码相比于传统机器学习方法具有更高的准确率和通用性。

基于Web的短信验证码防刷系统研究和应用

在Web应用程序中,短信验证码作为用户账号身份验证的主要手段,经常遭受恶意攻击和刷号行为,使得用户账号安全和服务器运维的问题变得日益突出。文章结合短信服务、防刷规则,通过系统设计和算法实现,提供一套完整的短信验证码防刷系统方案,有效地识别和阻止恶意用户频繁请求短信验证码,为Web应用程序的安全性和可靠性提供持久、稳定的保障。

改进卷积神经网络的验证码识别算法研究

在使用卷积神经网络(CNN)识别验证码的算法中,传统的算法需对卷积核参数进行随机初始化而存在网络收敛速度慢、训练时间长,识别准确率低的问题。提出一种基于主成分分析(PCA)和卷积神经网络相结合的验证码识别算法。首先,利用滴水算法对预处理后的验证码图片进行分割,然后对分割后的图片进行PCA学习,将学习得到的特征向量作为相应卷积层卷积核的初始化参数。实验结果表明,改进的方法在收敛速度和识别准确率方面均具有更好的性能。

用Spring Security和JCaptcha整合技术实现验证码登录

Spring Security是开源的Java安全框架,可以非常方便地与各应用系统集成,并部署到任何J2EE容器中。通过与JCaptcha验证码生成器集成,实现带验证码的登录。

一种改进Yolov7算法在验证码识别中的应用

针对Yolov7算法在验证码字符检测进行特征提取时,原始主干网络的某些局部信息在逐层提取时中经常会出现信息丢失等问题,提出了RDN-Yolov7算法。该算法借鉴了残差密集网络中提取多层特征的方式,实现了在深层网络中对各个层的不同特征进行提取和融合。为了验证算法的有效性,通过Python自动生成,以及从58同城、搜狐网站上爬取数据,生成3类各具特点的验证码数据集,同时与目前目标检测领域先进的RCN、VGG-16、SVM、ResNet、Yolov7算法进行对比。从实验结果来看,RDN-Yolov7算法的字符检测成功率达到98%以上,优于对比的几种算法,具有一定的实际应用价值。

一种使用JCAPTCHA框架的验证码实现方法

对验证码识别技术进行介绍,例示了使用JCAPTCHA开源框架实现验证码的方法,并基于该框架设计完成了一个验证码构件,构件将验证码的实现方法进行封装。验证码构件可以方便地集成到Java EE项目中,实践证明,该构件的确能让验证码开发工作变得更为简单有效。

源码处理场景下人工智能系统鲁棒性验证方法

人工智能(artificial intelligence, AI)技术的发展为源码处理场景下AI系统提供了强有力的支撑.相较于自然语言处理,源码在语义空间上具有特殊性,源码处理相关的机器学习任务通常采用抽象语法树、数据依赖图、控制流图等方式获取代码的结构化信息并进行特征抽取.现有研究通过对源码结构的深入分析以及对分类器的灵活应用已经能够在实验场景下获得优秀的结果.然而,对于源码结构更为复杂的真实应用场景,多数源码处理相关的AI系统出现性能滑坡,难以在工业界落地,这引发了从业者对于AI系统鲁棒性的思考.由于基于AI技术开发的系统普遍是数据驱动的黑盒系统,直接衡量该类软件系统的鲁棒性存在困难.随着对抗攻击技术的兴起,在自然语言处理领域已有学者针对不同任务设计对抗攻击来验证模型的鲁棒性并进行大规模的实证研究.为了解决源码处理场景下AI系统在复杂代码场景下的不稳定性问题,提出一种鲁棒性验证方法 (robustness verification by Metropolis-Hastings attack method, RVMHM),首先使用基于抽象语法树的代码预处理工具提取模型的变量池,然后利用MHM源码攻击算法替换变量扰动模型的预测效果.通过干扰数据和模型交互过程,观察攻击前后的鲁棒性验证指标的变化量来衡量AI系统的鲁棒性.以漏洞预测作为基于源码处理的二分类典型场景为例,通过在3个开源项目的数据集上验证12组AI漏洞预测模型鲁棒性说明RVMHM方法针对源码处理场景下AI系统进行鲁棒性验证的有效性.

基于Attention的卷积神经网络验证码识别研究

验证码字符识别技术作为数字图像处理的一个重要应用分支,其目的在于准确、快速地分析验证码所携带的字符内容.已有研究通过构建卷积神经网络进行验证码字符识别,并且取得了一定的效果;但是大部分研究使用特征的浅层信息作为模型的输入,受局部感受野的限制而丢失特征,未能充分分析验证码的深层特征信息,并且未能对特征进行充分融合,造成识别准确度还有一定提升空间.提出了一种基于注意力机制的卷积神经网络模型,首先采用Otsu算法对验证码进行预处理后,输入到VGG16模型提取验证码的特征;然后引入注意力机制,自动学习关键信息,得到不同特征的权重;最后基于卷积神经网络进行特征融合,通过训练后得到验证码识别模型.提出的模型在调用Captcha库生成的验证码数据集上进行验证,结果显示提出的方法在不增加时间成本的情况下,验证码识别准确率平均可达到93.27%,对比ResNet、CNN和CNN7基线方法,分别提升了8%、10%和22%.因此,提升了验证码识别的准确率,促进了自动识别车牌等场景落地,推进了验证码识别技术的发展.

文本对抗验证码的研究

图像识别等深度学习技术的发展使得传统的文本验证码安全性下降,利用对抗样本这一深度神经网络存在的缺陷来增强文本验证码的安全性具有重要研究意义。通过将多种对抗样本生成算法应用到文本验证码上,生成文本对抗验证码,并从耗时、扰动大小、黑白盒识别率等多个方面衡量生成的对抗验证码的实际效果。基于验证码生成频率较高的应用场景特点,筛选出将通用对抗扰动应用到文本验证码上的方案;在应用快速通用对抗扰动(Fast-UAP)算法时,为了克服Fast-UAP的不稳定性,提出了I-FUAP(initialized-FUAP)算法,通过利用通用对抗扰动来进行初始化,实验表明,在不显著影响扰动成功率和对抗样本攻击效果的前提下,改进后的算法相比于原来的Fast-UAP能更快地生成通用对抗扰动,生成耗时减少约30.22%。

基于图像风格迁移技术生成图像验证码研究

验证码能有效区分人类与机器,可以提高网站的安全性,抵御脚本的恶意攻击,保护用户信息安全。因此,验证码正被广泛地运用到互联网中。具有良好的安全性和易用性是一个良好的验证码的基本条件。风格迁移能在改变图像的风格特征的基础上保留图像的内容特征,使其达到一定的艺术效果。为设计出有效安全的验证码,研究采用深度学习技术,改进VGG网络模型,应用风格迁移技术来进行生成图像验证码。在对生成的验证码的有效性的研究中,设置了对比实验,用常见的识别工具对该技术获得的图像验证码与部分实际生活中应用的验证码进行了识别率和识别效率两项重要参数的对比分析,效果显著。

基于OpenCV的图像处理技术在验证码文字识别中的应用

随着我国有色企业信息化发展的步伐的加快,信息安全是一个不可忽视的重要要素。验证码(CAPTCHA,全称为“Completely Automated Public Turing test to tell Computers and Humans Apart”)是一种用于自动区分计算机和人类的反向图灵测试程序。设计实现一种验证码降噪识别算法模型,对常见类型的验证码进行了识别和分析。研究表明对于字体类型非单一类型的验证码更加难以识别,可用于有色企业信息安全领域。

基于图像处理的验证码识别技术

验证码技术的中心思想是:结合先前制定的规则,通过计算机系统生成一个问题,这个问题只有人类才能解决计算机却不能解决。如果问题很容易被解决,那么系统的操作者则为人类用户,进而进行下一步操作;如果没有解决问题,那么后续就不允许操作。利用验证码技术,就可以使机器人不会遭受到攻击,使网络安全得到保障,同时它还能有效地对人类用户操作和计算机程序操作进行区分,从而有效地抵挡外来程序的攻击和威胁。

谷歌推第三代reCAPTCHA图形验证码

CAPTCHA是网上常见的图形验证码解决方案,其能够抵御相当一部分机器人的伪造点击,判断当前用户是否为真人用户。然而矛与盾总是相伴而生,总有机器人试图攻破当前的验证机制。好消息是,谷歌刚刚推出了全新的v3版reCAPTCHA API。在提升识别精度的同时,还进一步减少了对真实用户造成的困扰。

验证码技术的攻防对策研究

针对验证码的本质特征、形式化定义、今后发展方向和研究重点等问题,通过深入、细致地分析和研究现有大量验证码,给出了验证码的本质特征描述及形式化定义,并从信息类型分类(共五种)、识别方式分类(共两种)和交互性分类(共两种)三个维度给出了验证码的20个种类;分析了20种验证码类型的技术特点,研究了其攻防对策,给出了各类验证码今后的研究重点、难点及其研究方向。重点探讨了动态验证码和隐性验证码(包括语义验证码),特别针对验证码通用攻击的攻防对策,提出了验证码领域的一些新思路和新研究方法。