Los estudiosos han identificado todavía otra forma de derrotar a los sistemas de CAPTCHA basados en texto usando un algoritmo de aprendizaje automático. El nuevo método de “código de imagen solucionador” fue desarrollado por científicos de la Universidad de Lancaster del Reino Unido, Universidad del Noroeste de China y la Universidad de Pekín. El método se basa en el concepto de la llamada red de confrontación generativa (AMBOS).
El nuevo algoritmo es el solucionador más eficaz de los sistemas de seguridad y autenticación código de imagen hasta el momento. Literalmente puede derrotar a las versiones de los sistemas de texto de la imagen que están ampliamente desplegados para defender sitios web.
¿Qué es una red de confrontación generativa?
redes de confrontación generativos son una clase de algoritmos de inteligencia artificial utilizado en la máquina de aprendizaje no supervisado, implementado por un sistema de dos redes neuronales disputando entre sí en un marco de juego de suma cero. El método puede generar fotografías que se ven al menos superficialmente auténtica a los observadores humanos, que tiene muchas características realistas.
Por qué se llaman contradictorio? En breve, GAN son profundas arquitecturas de red neuronal consta de dos redes, enfrentando a uno contra el otro, y por lo tanto se les llama contradictorio. El potencial de estas redes es enorme, porque pueden aprender a imitar cualquier distribución de datos, dicen los expertos. Además, un algoritmo basado en la GAN no necesita tantos puntos de datos para formarse como algoritmos de aprendizaje automático de clasificación necesitan. Y todavía puede realizar con mucha precisión.
¿Cómo funciona el algoritmo de solucionador de código de imagen basada en la GAN?
El método consiste en enseñar un programa generador de código de imagen para producir un gran número de captchas de formación que son indistinguibles de los captchas genuinos, los académicos explican. https://www.lancaster.ac.uk/sci-tech/about-us/news/new-attack-could-make-website-security-captchas-obsolete Se utilizan para entrenar rápidamente un solucionador, que a continuación se refina y probado contra captchas reales.
¿Cómo puede este algoritmo utilizado por los atacantes?
Mediante el uso de una máquina automática de captchas aprendido actores amenaza generador puede reducir significativamente el tiempo y esfuerzo, necesaria para encontrar y etiquetar manualmente captchas para entrenar a su software. Este es de hecho cómo lograron los estudiosos.
Este solucionador de código de imagen basada en la GAN sólo requiere 500 captchas genuinos, en lugar de los millones que normalmente serían necesarios para entrenar con eficacia un programa de ataque, agregaron los investigadores. Qué es más, el solucionador innovador es fácil de reconstruir, y se puede utilizar contra los esquemas nuevos o modificados de captcha. No requiere mucha intervención humana para trabajar.
El solucionador de código de imagen fue probado en 33 esquemas de captcha. 11 de los esquemas se despliegan por un número de sitios web más populares del mundo, como eBay, Wikipedia y Microsoft. Puedes consulte el informe para mas detalles.
En 2016, tres investigadores, Suphannee Sivakorn, Jason Polakis, y Angelos D. Keromytis logró diseñar un ataque automatizado que podía con éxito [wplinkpreview url =”https://sensorstechforum.com/facebooks-and-googles-captchas-defeated/”]romper el CAPTCHA de Google y Facebook. Para tener éxito, el trío experto aplicado diversos “trucos” para derrotar a los esquemas de CAPTCHA. También utilizaron la máquina de aprendizaje de averiguar la respuesta correcta de CAPTCHA. T
Milena Dimitrova
Un escritor inspirado y administrador de contenido que ha estado con SensorsTechForum desde que comenzó el proyecto.. Un profesional con 10+ años de experiencia en la creación de contenido atractivo. Centrado en la privacidad de los usuarios y el desarrollo de malware, ella cree firmemente en un mundo donde la seguridad cibernética juega un papel central. Si el sentido común no tiene sentido, ella estará allí para tomar notas. Esas notas pueden convertirse más tarde en artículos! Siga Milena @Milenyim
Sígueme: