Dice CAPTCHA 可用性的统计分析
通过将敌对示例与 CAPTCHA 结合,生成能够欺骗深度模型的敌对 CAPTCHA,以解决安全性和可用性的权衡问题,本文分类方法并系统回顾生成敌对示例和敌对 CAPTCHA 的常用方法,并分析可用于防御敌对 CAPTCHA 的一些防御方法和潜在威胁,最后探讨了敌对 CAPTCHA 的未来研究方向。
Nov, 2023
该研究旨在调查 CAPTCHA 生成系统中的缺陷和漏洞,以设计更具弹性的 CAPTCHA。通过创建 CapNet,我们提出了一种卷积神经网络平台,旨在评估数字和字母数字 CAPTCHA,从而提高网站的安全性。
Feb, 2023
本研究旨在设计对抗性 CAPTCHA,提高其安全性,同时维持相似的易用性,我们建立了对抗性 CAPTCHA 生成和验证系统,使用了 10 种图像预处理技术,9 种 CAPTCHA 攻击,4 种基线对抗性 CAPTCHA 生成方法,以及 8 种新的对抗性 CAPTCHA 生成方法,并进行扩展的安全性和易用性评估,结果表明,生成的对抗性 CAPTCHA 能够大幅提高普通 CAPTCHA 的安全性,同时保持相似的易用性,我们也开放了 aCAPTCHA 系统源代码、训练模型、数据集和可用性评估界面,以促进 CAPTCHA 安全研究。
Jan, 2019
本研究探讨利用行为生物统计学来区分人类和计算机(常称为机器人检测)的适用性。我们基于神经运动模型提出了 BeCAPTCHA-Mouse,这是一种新颖的基于老鼠动态的机器人检测器。我们提出了两种新的老鼠轨迹综合方法。在 BeCAPTCHA-Mouse 基准测试中,我们的实验表明,使用仅一个老鼠轨迹,BeCAPTCHA-Mouse 能够以 93%的平均准确率检测出具有高逼真度的机器人轨迹,而我们的方法与最先进的老鼠动态特征融合后,相对提高了超过 36%的机器人检测精度,证明了老鼠轨迹的机器人检测是一种快速,易于使用和可靠的补充传统 CAPTCHA 系统的工具。
May, 2020
本研究提出一种数据驱动的学习模型,用于合成按键生物特征数据,并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据,本研究改进了基于按键的机器人检测系统的训练过程,并通过定量和定性实验验证了三种方法的表现。实验结果表明,在有大量标记数据的情况下,这些合成样本可以被高精度地检测出来,但在少样本学习的情况下则是一个重要的挑战。此外,这些结果显示了所提出模型的巨大潜力。
Jul, 2022
本研究旨在针对当前文字型验证码安全性不足的情况,通过对语音识别技术的攻击论文进行比较分类,提出了一种基于容易理解但难以被自动转录的音频机制验证码来提升 Web 的安全及无障碍性,具有较高的可靠性和难以通过语音转文字技术识别等优势。
Mar, 2022
提出了一种基于连接主义时间分类丢失技术的无分割 OCR 模型,用于文本 captcha 分类。与现有模型相比,该模型在字符级别上达到了 99.80%的准确率,词级别上达到了 95%的准确率。采用无分割连接主义时间分类丢失技术处理变长复杂 captcha,将在保障软件系统安全方面得到广泛应用。
Feb, 2024
通过统计模式识别语言提供了一个框架,量化了针对评估上下文的人类生成内容和机器生成内容之间的差异,描述了当前的方法并演示了如何使用该框架评估生成模型在向人类能力逼近的过程中的进展。
Sep, 2023
本文提出了一种利用深度集成不确定性估计来检测和跳过分布之外 CAPTCHA 的新型 CAPTCHA 解算器 EnSolver,通过在目标检测模型上展示其在内部分布和外部分布数据上的表现,我们证明了它在检测外部分布数据方面的准确率可达到 98.1%,在解决内部分布的 CAPTCHA 时成功率可达到 93%。
Jul, 2023
本篇论文通过大规模数据收集、深度神经网络进行推测,提出了一种模型预测用户对于界面元素的可点击性,即 tappability,并开发了工具 TapShoe,对设计师进行可点击状态的自动诊断。
Feb, 2019