Wissenschaftler haben noch eine andere Art und Weise identifiziert textbasierte CAPTCHA-Systeme unter Verwendung eines Maschinenlernalgorithmus zu besiegen. Die neue „Captcha-Solver“ Methode wurde von Wissenschaftlern aus britischer Lancaster University entwickelt, China, Northwest University und der Peking-Universität. Das Verfahren basiert auf dem Konzept der sogenannten generativen kontradiktorischen Netzwerk aufgebaut (BEIDE).
Der neue Algorithmus ist die effektivste Solver der Captcha Sicherheits- und Authentifizierungssysteme so weit. Es kann buchstäblich Versionen von Text Captcha Schemata besiegen, die weit verbreitet sind Websites zu verteidigen.
Was ist ein generatives kontradiktorisches Netzwerk?
Generative kontradiktorische Netzwerke eine Klasse von Algorithmen der künstlichen Intelligenz werden in unbeaufsichtigten maschinelles Lernen verwendet, miteinander in einem Nullsummenspiel Rahmen Anfechtung durch ein System von zwei neuronalen Netzen implementiert. Das Verfahren kann Fotografien erzeugen, die für die menschlichen Beobachter zumindest oberflächlich authentisch aussehen, mit vielen realistischen Eigenschaften.
Warum sind sie kontradiktorische genannt? Zusamenfassend, GANS sind tief neuronalen Netzarchitekturen von zwei Netzen bestehen, Lochfraß gegeneinander, und daher sind sie kontradiktorische genannt. Das Potenzial dieser Netzwerke ist riesig, weil sie lernen können jede beliebige Verteilung von Daten zu imitieren, Experten sagen,. Weiter, ein GAN-basierten Algorithmus muss nicht als Punkte viele Informationen über die Klassifizierung Algorithmen für maschinelles Lernen trainieren müssen. Und es kann noch sehr genau durchführen.
Wie funktioniert die GAN-basierte Captcha-Solver-Algorithmus Arbeit?
Das Verfahren beinhaltet ein Captcha-Generator Programm lehrt eine große Anzahl von Training Captchas zu produzieren, die von echten nicht zu unterscheiden sind Captchas, die Wissenschaftler erklärt. https://www.lancaster.ac.uk/sci-tech/about-us/news/new-attack-could-make-website-security-captchas-obsolete Sie werden verwendet, um schnell einen Solver zu trainieren, die gegen echte Captchas verfeinert und getestet wird, dann.
Wie kann dieser Algorithmus von Angreifern verwendet werden?
Durch eine maschinen gelernt automatische Captcha Generator Bedrohung Akteure mit erheblich den Aufwand und die Zeit reduzieren, benötigt Captchas zu finden und manuell zu markieren, um ihre Software zu trainieren. Dies ist in der Tat, wie die Gelehrten gelungen.
Diese GAN-basierte captcha Löser benötigt nur 500 Original-Captchas, statt die Millionen, die normalerweise erforderlich wäre, um effektiv ein Angriffsprogramm zu trainieren, die Forscher hinzugefügt. Was ist mehr, die innovativen Solver sind einfach neu zu erstellen, und gegen neue oder modifizierte sind Sicherheitssysteme verwendet werden,. Es braucht nicht viel menschliche Beteiligung erfordern zu arbeiten.
Der Captcha-Solver wurde getestet auf 33 captcha-Systeme. 11 Die Regelung wird durch eine Reihe der beliebtesten Websites weltweit im Einsatz, wie eBay, Wikipedia und Microsoft. Sie können beziehen sich auf den Bericht für weitere Details.
In 2016, drei Forscher, Suphannee Sivakorn, Jason Polakis, und Angelos D. Keromytis verwaltet einen automatisierten Angriff zu entwerfen, die erfolgreich konnte [wplinkpreview url =”https://sensorstechforum.com/facebooks-and-googles-captchas-defeated/”]brechen die CAPTCHA von Google und Facebook. Um erfolgreich zu sein, der Experte Trio verschiedene „Tricks“ angewendet, um die CAPTCHA Systeme zu besiegen. Sie maschinelles Lernen auch die richtige Antwort CAPTCHA, um herauszufinden, verwendet. T
Milena Dimitrova
Ein begeisterter Autor und Content Manager, der seit Projektbeginn bei SensorsTechForum ist. Ein Profi mit 10+ jahrelange Erfahrung in der Erstellung ansprechender Inhalte. Konzentriert sich auf die Privatsphäre der Nutzer und Malware-Entwicklung, sie die feste Überzeugung, in einer Welt, in der Cybersicherheit eine zentrale Rolle spielt. Wenn der gesunde Menschenverstand macht keinen Sinn, sie wird es sich Notizen zu machen. Diese Noten drehen können später in Artikel! Folgen Sie Milena @Milenyim
Folge mir: