Тренировка ввода капчи: Заработок на RuCaptcha (Рукапча) — инструкция по регистрации и работе, отзывы, описание бота

К счастью, мы все еще можем автоматизировать это. При обработке изображений нам часто требуется обнаруживать «капли» пикселей одного цвета. Границы вокруг этих непрерывных пикселей-капель называются контурами , .OpenCV имеет встроенную функцию findContours () , которую мы можем использовать для обнаружения этих непрерывных областей.

Итак, мы начнем с необработанного изображения CAPTCHA:

А затем мы преобразуем изображение в чисто черно-белое (это называется t hresholding ), чтобы было легко найти непрерывные области:

Далее мы будем использовать функцию OpenCV findContours () для обнаружения отдельных частей изображения, которые содержат непрерывные капли пикселей одного цвета:

Тогда просто сохраним каждую область как отдельное изображение. файл.И поскольку мы знаем, что каждое изображение должно содержать четыре буквы слева направо, мы можем использовать это знание для обозначения букв при их сохранении. Пока мы сохраняем их в этом порядке, мы должны сохранять каждую букву изображения с правильным названием буквы.

Но подождите — я вижу проблему! Иногда у CAPTCHA есть перекрывающиеся буквы, например:

Это означает, что мы в конечном итоге извлечем области, которые смешивают две буквы вместе, как одну область:

Если мы не справимся с этой проблемой, мы в конечном итоге создадим плохие данные для обучения. .Нам нужно исправить это, чтобы случайно не научить машину распознавать эти две сдавленные буквы как одну букву.

Здесь есть простой прием: если одна контурная область намного шире, чем высота, это означает, что у нас, вероятно, есть две буквы, сжатые вместе. В этом случае мы можем просто разделить соединенную букву пополам посередине и рассматривать ее как две отдельные буквы:

Теперь, когда у нас есть способ извлекать отдельные буквы, давайте пропустим его по всем имеющимся у нас изображениям CAPTCHA. Цель состоит в том, чтобы собрать разные варианты каждой буквы. Мы можем сохранить каждую букву в отдельной папке, чтобы все было организовано.

Вот изображение того, как выглядела моя папка «W» после того, как я извлек все буквы:

Прошедшее время: 10 минут

Поскольку нам нужно распознавать только изображения отдельных букв и цифр, нам не нужна очень сложная архитектура нейронной сети. Распознать буквы — намного проще, чем распознать сложные изображения, такие как изображения кошек и собак.

Мы будем использовать простую архитектуру сверточной нейронной сети с двумя сверточными слоями и двумя полносвязными слоями:

(PDF) Распознавание символов CAPTCHA с помощью контролируемых алгоритмов машинного обучения

5.ЗАКЛЮЧЕНИЕ

В этой работе сравниваются обычно используемые контролируемые машины

алгоритмов обучения для оптического распознавания символов

кодов Captcha. Наши эксперименты показывают, что все

используемых алгоритмов могут классифицировать объекты в правильный класс

с вероятностью успеха около 99%. Основное различие

между алгоритмами заключается в вычислительных затратах. Общий победитель

в обеих категориях вместе взятых — это нейронная сеть распознавания Patter

, поскольку она имеет как хорошую точность, так и низкую вычислительную стоимость

.

Существует также большая разница между двумя почти идентичными

алгоритмами нейронной сети. Неправильно используемая нейронная сеть

, называемая сетью с прямой связью, которая не была оптимизирована для распознавания образов

, имела большие трудности

на этапе обучения для достижения правильной производительности.

Наша следующая работа будет направлена ​​на улучшение схемы Bubble

Captcha. Мы хотим использовать это исследование, чтобы протестировать

этой улучшенной версии Bubble Captcha

против автоматических решателей.

БЛАГОДАРНОСТИ

Завершение работы стало возможным благодаря гранту

№ FEKT-S-17-4234 — «Индустрия 4.0 в автоматизации»

и кибернетика при финансовой поддержке внутренней науки. фонд Технологического университета Брно

и Центр компетенций, реализуемый TACR (рег. номер

TE01020197).

ССЫЛКИ

Наоми С. Альтман. Введение в непараметрическую регрессию ядра и ближайшего соседа

.Являюсь. Stat., 46 (3):

175–185, август 1992 г. ISSN 0003-1305. DOI: 10.1080 /

00031305.1992.10475879.

Кристофер М. Бишоп. Распознавание образов и машинное обучение

. Springer, 2006. ISBN 0387310738.

Бернхард Э. Бозер, Изабель М. Гийон и Владимир Н.

Vapnik. Алгоритм обучения оптимальных маржинальных классификаторов

. В Proc. пятая Анну. Работа. Comput. Учиться. теория —

COLT ’92, страницы 144–152, New York, New York, USA,

1992.ACM Press. ISBN 089791497X. DOI: 10.1145 /

130385.130401.

Ондрей Бостик, Карел Горак, Ян Клецка и Даниэль

Давидек. Пузырьковая капча — начало нового направления

разработки схем текстовой капчи. В Mendel 2017,

23rd Int. Конф. Soft Comput., Том 23 из 23, страницы

57–64. Технологический университет Брно, 2017.

Эли Бурштейн, Матье Мартин и Джон К. Митчелл.

Сильные и слабые стороны текстовой CAPTCHA.Proc.

18-я конференция ACM. Comput. Commun. Secur., 2011: 125–

138, 2011. ISSN 15437221. DOI: 10.1145 / 2046707.

2046724.

Университет Карнеги-Меллона. Официальный сайт CAPTCHA,

2010. URL http://www.captcha.net/.

Коринна Кортес и Владимир Н. Вапник. Опорно-вектор

сетей. Мах. Learn., 20 (3): 273–297, сентябрь 1995 г. doi:

10.1007 / BF00994018.

Сагармай Деб и Янчун Чжан. Обзор методов поиска изображений на основе содержимого

.18-й Int.

конф. Adv. Инф. Netw. Прил. 2004 AINA 2004, 1: 59–64,

2004. DOI: 10.1109 / AINA.2004.1283888.

Томас Г. Диттерих и Гулум Бакири. Решение проблем с обучением Mul-

ticlass с помощью исправления ошибок выходных кодов

. J. Artif. Intell. Res., Dec 1994.

Карел Горак. Классификация уровня сегрегации в проволоке из стали

путем обработки изображений. 2015 38-я Международная выставка Конф.

Telecommun. Сигнальный процесс. ТСП 2015, 2015.DOI: 10.

1109 / TSP.2015.7296413.

Карел Горак и Илона Калова. Обнаружение глаз и отслеживание

для контроля бдительности водителя. В 33-м

внутр. Конф. Телекоммуникации. Signal Process., Страницы 204–208,

2010.

Карел Горак, Милослав Рихтер и Илона Калова. Hu-

локализация глаз человека для контроля невнимательности водителя

система. Мендель, 15 (глава 2): 283–288, 2009a. ISSN

18033814.

Карел Горак, Мирослав Рихтер и Илона Калова.Au-

Автоматическое обнаружение дефектов на бутылках в пищевой промышленности.

Proc. 20-й Междунар. DAAAM Symp., (Май 2014 г.): 4–6, 2009b.

Киранджот Каур и Санни Бехал. Разработка защищенного текста —

на основе CAPTCHA. В процедурах Comput. Наук, том 57,

стр. 122–125. Elsevier, 2015. DOI: 10.1016 / j.procs.2015.

07.381.

Ян Клецка и Карел Горак. Слияние 3D модели и некалиброванной стерео реконструкции

. Adv. Intell. Syst.

Вычисл., 378: 343–351, 2015. ISSN 21945357. doi: 10.

1007 / 978-3-319-19824-8 28.

Элиас Н. Маламас, Еврипид Г.М. Петракис, Михалис

Зервакис, Лоран Пети, и Жан Дидье Легат. Обзор

промышленных систем технического зрения, приложений и инструментов

, 2003 г.

Том М. Митчелл. Машинное обучение. McGraw-Hill, 1997.

ISBN 0070428077.

Мартин Ф. Мёллер. Масштабированный алгоритм сопряженного градиента

для быстрого обучения с учителем.НЕЙРОННЫЕ СЕТИ, 6

(4): 525—533, 1993.

Лиор Рокач и Одед Маймон. Интеллектуальный анализ данных с помощью Deci-

sion Trees. Серии в машинном восприятии и искусственном интеллекте

. Мировая наука, 2-е издание, октябрь 2014 г. ISBN

978-981-4590-07-5. DOI: 10,1142 / 9097.

Герман Роршах. Психодиагностика: диагностический тест

, основанный на восприятии. Паб Hogrefe Huber, 10-е издание

, 1998. ISBN 3456830246.

Супханни Сивакорн, Ясонас Полакис и Ангелос Д.

Керомитис. Я робот: (Глубокое) обучение разбиению

CAPTCHA семантических изображений. В 2016 году IEEE Eur. Symp.

Secur. Priv. (EuroS P), страницы 388–403, 2016. doi: 10.

1109 / EuroSP.2016.37.

Мохаммед Й. Сиял и Махмуд Фати.

Измерение параметров очереди трафика в реальном времени с использованием методов обработки изображений

. В Пятом Int. Конф. Изображение

Процесс. его приложение, страницы 450–454, 1995. DOI: 10.1049 /

cp: 19950699.

Луис фон Ан, Мануэль Блюм, Николас Дж. Хоппер и

Джон Лэнгфорд. CAPTCHA: Использование сложных задач ИИ

для безопасности. В Lect. Примечания Comput. Sci., Страницы 294–

311. Springer, Berlin, Heidelberg, 2003. doi: 10.1007 /

3-540-39200-9 18.

Луис фон Ан, Бенджамин Маурер, Колин Макмиллен, Дэвид

Авраам, и Мануэль Блюм. reCAPTCHA: Human-

Распознавание символов на основе с помощью средства веб-безопасности

sures. Наука (80-.)., 321 (12 сентября 2008 г.): 1465–

1468, сентябрь 2008 г. ISSN 0036-8075. DOI: 10.1126 / наука.

1160379.

Службы решения CAPTCHA и доступные типы CAPTCHA

Если вам когда-либо приходилось вводить комбинацию цифр и букв, чтобы доказать веб-сайту, что вы человек, то вы могли быть знакомы с CAPTCHA. Вот что вам нужно знать о CAPTCHA, а также о некоторых из ведущих компаний, решающих CAPTCHA.Вам может быть интересно, почему некоторые люди могут захотеть решить CAPTCHA, и, хотя в это может быть трудно поверить, есть люди, которые заинтересованы в менее желательном поведении в Интернете. С учетом сказанного, у каждой истории есть две стороны, так что читайте дальше, чтобы узнать больше.

CAPTCHA — или «Полностью автоматизированный общедоступный тест Тьюринга для различения компьютеров и людей» — это функция безопасности, которая может предотвратить использование веб-сайтов, которое может быть незаконным.Это тип теста, который проводится на веб-сайтах, где пользователю необходимо ввести ряд букв и цифр или щелкнуть определенные части изображения, чтобы выполнить задачу. Этой задачей может быть покупка продукта, открытие учетной записи, публикация отзыва или любое другое задание. Веб-разработчики используют это на сайтах, чтобы убедиться, что тот, кто пользуется сайтом, действительно человек с добрыми намерениями.

Часто изображение при разгадывании слов искажается, что затрудняет чтение. Хотя его цель состоит в том, чтобы обмануть робота или компьютер, чтобы он не мог их прочитать, иногда людям может быть трудно читать.Фактически, некоторые люди считают, что CAPTCHA могут препятствовать доступу пользователей с ограниченными возможностями к определенным частям веб-сайта. Хотя CAPTCHA не может предотвратить все типы спама в Интернете, они, безусловно, хорошо справляются со своей задачей. Без него во всей сети было бы гораздо больше негатива и разочарований.

CAPTCHA важна для многих интернет-империй, чтобы помешать роботу манипулировать услугами. Некоторые службы, которыми могут манипулировать роботы, могут открывать слишком много учетных записей, получать много конфиденциальной информации или публиковать слишком много сообщений, что может помешать результатам веб-аналитики.

Есть люди, которые могут захотеть разгадывать коды CAPTCHA, чтобы участвовать в некоторых из вышеупомянутых действий на веб-сайте. Как и все в жизни, у каждой истории есть две стороны. Некоторые компании зарабатывают деньги, разгадывая коды CAPTCHA и продавая их людям, которые заинтересованы в их использовании. Решение CAPTCHA полезно для людей, которые хотят манипулировать веб-сайтами, открывая несколько учетных записей, отправляя спам-сообщения и троллинг в Интернете.

Какие существуют типы CAPTCHA?

Существуют различные типы CAPTCHA, которые можно использовать на веб-сайтах.Важно понимать классы, чтобы при поиске компании, решающей CAPTCHA, вы могли принять обоснованное решение на основе того, какие CAPTCHA вы хотите решить. Вот некоторые из различных типов, с которыми вы можете соприкоснуться. Конечно, у всех есть свои плюсы и минусы, и это тоже будет обсуждаться.

Задачи по математике

Одна из популярных форм CAPTCHA — это простая математическая задача, добавляемая на сайт. Например, пользователю может потребоваться решить и ввести ответ для математической задачи, такой как «4 + 6».Хотя в это может быть трудно поверить, роботу может быть сложно решить эту проблему и ввести ответ, что делает этот тип CAPTCHA безопасным. Одним из преимуществ этого типа CAPTCHA является то, что он прост и, как правило, легко читается, что помогает пользователю быстро решить эту проблему и перейти к любой задаче, которую он пытается выполнить.

Он эффективен для пользователя и безопасен для веб-сайта. Минус в том, что он не такой сложный, как некоторые другие типы CAPTCHA, поэтому он может не казаться таким безопасным.Он может быть идеальным для таких веб-сайтов, как WordPress или других HTML-сайтов.

Задача со словом

Другой эффективный тип CAPTCHA — это простая задача со словом, которую пользователь может расшифровать. Этот тип похож на ранее упомянутую математическую задачу CAPTCHA, где пользователь должен ответить на простой вопрос. Он может быть предложен в форме написания слова заглавными буквами и просьбы пользователя ввести его заново. Он также может дать пользователю несколько слов и попросить его ввести последнее, или он может перечислить несколько слов, одно из которых отображается в цвете, и попросить пользователя ввести цвет.Чтобы решить эту CAPTCHA, пользователь должен уметь внимательно следовать инструкциям, иначе функция безопасности не позволит пользователю двигаться дальше.

Преимущество этого типа CAPTCHA заключается в том, что он может быть полезен пользователям с ослабленным зрением, которым может быть трудно решить некоторые из наиболее визуальных CAPTCHA. Одним из их недостатков является то, что по мере того, как роботы становятся все более и более умными, они смогут решать подобные текстовые задачи. Хотя CAPTCHA для проблем со словами безопасен, всегда есть исключения из правила.

Войти в социальные сети

Надежный способ предложить CAPTCHA — это попросить пользователя зарегистрироваться или войти в систему, используя свою учетную запись Facebook, Instagram, Snapchat, Google или другой социальной сети. Это означает, что пользователь проверен для входа в систему без необходимости вводить какую-либо информацию. Преимущество привязки веб-сайта к учетным записям социальных сетей заключается в том, что боты не могут войти в систему, потому что у них нет учетной записи в социальных сетях, которую можно использовать. Недостатком может быть то, что люди не решаются связать всю свою информацию из-за личной информации и безопасности.

Хотя это другой тип CAPTCHA, он не заменяет использование других функций безопасности на веб-сайте, но помогает отличить человека от бота. Еще одно преимущество использования этой стратегии заключается в том, что она может помочь пользователю войти на веб-сайт быстрее, чем это потребовало бы ввода всей информации по отдельности.

По времени

Этот тип CAPTCHA регистрирует количество времени, которое требуется пользователю, чтобы заполнить свою информацию в форме. Если это человек, заполнение формы, вероятно, займет некоторое время.С другой стороны, боты заполняют форму практически мгновенно. Это отличный тип CAPTCHA для таких сайтов, как WordPress. Преимущество заключается в том, что довольно легко определить, является ли он пользователем или ботом. Обратной стороной является то, что если кто-то заполняет форму каждый раз, когда он хочет оставить комментарий, опубликовать сообщение или выполнить задачу, пользователь может счесть это разочаровывающим и отнимающим много времени.

Приманка

Этот тип CAPTCHA включает в себя набор скрытых полей на экране.Интересно то, что обманывают не человека, а робота. Боты могут видеть эти поля на веб-сайтах, а люди — нет. По сути, он обманом заставляет бота заполнять поля, которые люди не могут видеть. Когда бот заполняет его, веб-сайт знает, что это не настоящий пользователь. Одним из самых больших преимуществ этого типа CAPTCHA является то, что он неизвестен людям, что означает, что на взаимодействие с пользователем не влияют надоедливые игры или необходимость вводить много информации.Скорее всего, вы посетили веб-сайт и наткнулись на CAPTCHA Honeypot, даже не подозревая об этом.

Всегда есть вероятность, что это не сработает с некоторыми ботами, которые достаточно умны, чтобы знать, что их обманывают. Например, Safari автоматически заполняет формы, поэтому боты с большей вероятностью обойдут это. При создании веб-сайта все, что нужно сделать разработчику, — это добавить скрытое поле, дать ему любое имя и использовать CSS, чтобы создать правило «display: none», которое скроет его от пользователей-людей, заполняющих данную форму. .Метод приманки — это уникальный тип CAPTCHA, который сильно отличает его от других. Он также не требует дополнительных надстроек к веб-сайту, так как его легко установить после разработки.

Нет CAPTCHA reCAPTCHA

Метод ReCAPTCHA без CAPTCHA — это тип CAPTCHA, созданный Google. Он существует только с 2014 года, но уже нашел свое место в Интернете. Смысл этого в том, чтобы отличить человека-пользователя от робота по его поведению при выполнении простой задачи.Задача, которая предлагается пользователю, — щелкнуть поле с надписью «Я не робот». Этот метод также можно использовать с телефоном и приложениями, но для этого нужно щелкнуть поле пальцем, а не мышью. CAPTCHA отслеживает движение и определяет, что если флажок установлен прямо посередине, это робот.

Роботы очень методичны, поэтому их легко определить по поведению. Люди, скорее всего, будут щелкать не прямо посередине, а в какой-то другой области поля.Благодаря Google, этот метод оказался невероятно точным. Если этот первый тест не прошел, создается резервная копия, в которой пользователю будет предложено ввести некоторую комбинацию цифр или букв. Обратной стороной является то, что это может разочаровать пользователя, если ему придется выполнять тест дважды.

Невидимая reCAPTCHA

Это версия без CAPTCHA reCAPTCHA, которая была обновлена ​​Google недавно в 2017 году. В этом случае CAPTCHA невидима для пользователя, чтобы создать лучший пользовательский интерфейс, чем ранее упомянутый метод.Нет текста или чисел для ввода, нет поля для проверки и нет формы для заполнения, но, похоже, это работает. На самом деле неясно, как именно это работает, но он использует метод мониторинга поведения пользователей, пока они находятся на сайте. Это может быть очень похоже на то, как reCAPTCHA без CAPTCHA узнала о разнице между поведением человеческих ботов в зависимости от того, где они нажимают. Хотя на данный момент это кажется успешным, всегда есть шанс, что роботы в конечном итоге смогут его перехитрить.

Уверенная CAPTCHA

Этот тип CAPTCHA основан на изображениях.Пользователь должен следовать определенному направлению, имеющему отношение к изображениям. Например, им может быть предложено: «Нажмите на каждое изображение, на котором есть дорожный знак». Одним из преимуществ этого является то, что у него 96% успеха. Обратной стороной может быть то, что это может расстраивать пользователя. Если задача не будет выполнена правильно с первого раза, им придется повторить процесс еще раз с другим изображением. Другим преимуществом этого типа CAPTCHA является то, что его можно превратить в способ заработка.Владельцы веб-сайтов могут использовать эту CAPTCHA как способ рекламы, которая может заработать им немного денег.

Sweet CAPTCHA

Sweet CAPTCHA похожа на уверенную CAPTCHA. Он включает в себя просьбу пользователя выполнить какую-то задачу, в которой он перемещает или сопоставляет элементы друг с другом. Примером может служить изображение чемодана с предметами рядом с ним. CAPTCHA попросит пользователя положить рубашку в чемодан, чтобы подтвердить свою личность. Плюс к этому заключается в том, что такие задачи робот не может выполнять точно, поэтому он очень хорошо определяет личность.Минус этого типа CAPTCHA может заключаться в том, что он может мешать работе пользователя. Если пользователь допустит ошибку, ему придется выполнить задание заново. Это может расстроить пользователя.

Биометрия и будущее CAPTCHA

Если у вас есть iPhone или другой тип смартфона, скорее всего, он попросил вас настроить отпечаток пальца или другую функцию безопасности. Хотя это еще не настоящая CAPTCHA, это очень важная функция безопасности, которая может стать будущим CAPTCHA.Это обеспечивает полную безопасность, потому что у каждого есть уникальные отпечатки пальцев. Используя свой отпечаток пальца для входа в свой телефон или приложение, это гарантирует, что вы единственный, кто может получить необходимую информацию. Это может быть что-то, что потребуется веб-сайтам в будущем для выполнения таких задач, как регистрация учетной записи, публикация сообщений или совершение покупки. Это, безусловно, может быть полезно, потому что подтвердит личность пользователя. Обратной стороной может быть то, что это может вызвать проблемы с учетными записями.

При наличии множества различных типов CAPTCHA владелец веб-сайта должен будет определить, какой тип лучше всего подходит для его веб-сайта.Это также означает, что для решения CAPTCHA существует множество различных типов, о которых человек, решающий их, должен знать, чтобы успешно решать их для пользователей.

Экономика решения CAPTCHA

В наши дни существует так много разных типов вакансий, особенно связанных с Интернетом. Одним из преимуществ Интернета является то, что он создал множество типов рабочих мест по всему миру. Одна из таких задач — решение CAPTCHA. Возможно, это работа, о которой мало кто слышал, особенно в Соединенных Штатах.Это связано с тем, что большинство этих рабочих мест передается на аутсорсинг в другие страны, потому что в некоторых странах этот вид работы является незаконным. Некоторыми странами, в которые эта работа передается на аутсорсинг, могут быть Бангладеш, Китай или Индия.

В наши дни многие люди будут делать почти все, чтобы заработать на жизнь, даже если это незаконно или осуждается. Хотя этот тип обработки данных является низкооплачиваемой работой, работники по-прежнему будут выполнять ее из Индии и других стран, где этот тип работы выполняется. Фактически, в Индии некоторые решающие компании начинают консолидировать свои усилия.Это позволяет им использовать его в качестве материала для торга, который конкурирует с компаниями, разрабатывающими автоматизированные способы решения CAPTCHA. Это помогает сделать процесс решения CAPTCHA более эффективным и действенным.

Из-за растущего спроса экономика Индии переживает бум, когда дело доходит до решения CAPTCHA. Поскольку спрос становится настолько высоким, многие компании не могут справиться с этим с имеющимся у них количеством сотрудников, поэтому бизнес расширяется за счет франшиз по всей стране. Из-за быстрорастущей экономики Индии это также означает, что веб-разработчикам необходимо будет найти более уникальные типы CAPTCHA, которые будут использоваться для защиты безопасности своих веб-сайтов.Существует вероятность того, что этот вид бизнеса будет продолжать расти в связи со спросом на решение для CAPTCHA во всем мире.

Служба распознавания капчи

Анти-капча

Anti-Captcha — это служба решения CAPTCHA, в которой CAPTCHA загружается на сервер, назначается воркер для взлома кода, а затем ответ отправляется в ваше приложение. Среднее время решения составляет около 8 секунд, и только 1% CAPTCHA, решенных Anti-Captcha, является ошибочным.Все CAPTCHA решаются людьми, поэтому в решении не участвуют роботы или компьютеры. Эта компания использует аутсорсинг из таких стран, как Индия, Пакистан и Вьетнам. Рабочие в каждой из этих стран ежемесячно зарабатывают достаточно, чтобы содержать свои семьи.

Это помогает гарантировать, что только честные сотрудники решают ваши CAPTCHA. Это также гарантирует, что эти работники могут обеспечивать свои семьи за разумные деньги. Работа за компьютером — лучший образ жизни, чем в большинстве других ИТ-профессий.К счастью, читеров быстро обнаруживают и запрещают работать с Anti-Captcha. От изображения Captcha до reCaptchas до FunCaptcha, Anti-Captcha может декодировать любой тип captcha. Они даже могут решать Captchas на Javascript. Он также предлагает плагины для браузеров, таких как Google и Firefox.

Цены варьируются в зависимости от типа решаемой CAPTCHA. Для Image Captchas это всего 0,60 доллара за 1000 решенных. ReCaptcha стоит всего 1,98 доллара за 1000 решенных, а FunCaptcha всего 2 доллара за 1000 решенных. Сотни сотрудников заняты в течение всего дня, пытаясь решить CAPTCHA для клиентов по всему миру.Пазлы выполняются от 8 секунд до 64 секунд, в зависимости от типа CAPTCHA.

2Captcha

Еще один отличный сервис по разгадыванию капчи предлагает компания под названием 2Captcha. У этой службы среднее время отклика между получением CAPTCHA и отправкой решения пользователю составляет около 12 секунд. Он также доступен на большинстве языков по всему миру, особенно если это те, на которых программирование доступно для кодирования веб-сайтов.Это стоит всего около $ 0,50 за 1000 решенных CAPTCHA, в зависимости от типа. В зависимости от типа CAPTCHA пользователь может в конечном итоге заплатить около 2,99 доллара США за reCAPTCHA. Кроме того, в сети одновременно находится около 1000 сотрудников, которые могут решать запросы. 2Captcha решает эти головоломки с высокой точностью, что отлично подходит для пользователей и сотрудников.

Пользователи могут получать свои ответы в виде текстов, поэтому вся необходимая информация всегда у них под рукой. Некоторые из его клиентов — API, php, Microsoft.net и Perl. Эта услуга может работать в режиме реального времени и отлично подходит для всех, кому нужно решать множество CAPTCHA в течение дня. Некоторые работники могут даже вычислить около 10 000 CAPTCHA в минуту, в зависимости от опыта. 2Captcha также предлагает отличные условия для своих сотрудников и считается работой с полной занятостью с очень строгими требованиями. Это может коррелировать с успехом 2Captcha. Сотрудники ждут решения CAPTCHA в течение дня, чтобы обеспечить быструю доставку клиентам. Эта услуга может сэкономить клиентам так много времени, решая CAPTCHA быстро, а не вручную.Решение CAPTCHA вручную может занять много времени.

Смерть от Captcha

Death By Captcha — отличный сервис, используемый для решения CAPTCHA и в качестве сервера обхода. Он точно решает любой тип CAPTCHA. Все, что нужно сделать пользователю, — это отправить CAPTCHA, которую нужно решить, и дождаться, пока текст вернется с решением. Он предлагает 1000 CAPTCHA для решения по низкой цене в 1,39 доллара. Как участник со статусом Gold вы будете платить всего 0,99 доллара США, что очень много, если решение CAPTCHA — это услуга, в которой вы часто нуждаетесь.Решение появится в приложении или в виде текста всего за 11 секунд. Он также предлагает услуги на нескольких языках, поэтому независимо от того, где вы находитесь, вы можете получить то, что вам нужно, когда дело доходит до решения CAPTCHA.

Веб-сайт также предоставляет актуальные и точные возможности решения. Он может сказать вам, насколько точным было решение, а также среднее время решения за последнюю минуту, пять минут и 15 минут. Счета могут быть открыты бесплатно, и существует множество различных способов оплаты, которые можно использовать со всего мира.Сервис существует уже более девяти лет, что для этого бизнеса — долгий срок. Это также позволяет пользователям решить, хотят ли они создать собственное автоматизированное приложение или уже разработанное приложение. Вам также не придется платить за какие-либо CAPTCHA, которые были решены неправильно, а это значит, что вы гарантированно получите то, что вам нужно, с этой услугой.

Captchatronix

Это еще одна отличная служба автоматического решения CAPTCHA, которую можно найти в Интернете и которая поможет в решении любых типов CAPTCHA, которые вам нужно решить.Captchatronix — это сервис, который известен своей точностью. Фактически, когда вы входите на сайт, вы видите, что они помогли более чем 20 000 клиентов всего за последние 4 года. Этот сервис совместим с Google+, а также с другими сайтами. Captchatronix также может быть интегрирован с инструментами SEO, что может стать отличным дополнением для разработчиков, которые только создают сайт или улучшают свой сайт.

Он идеально подходит для разработчиков, которые заинтересованы в использовании собственных программ вместе с этой службой решения CAPTCHA.На сайте есть отличное и простое в использовании руководство, которое поможет интегрировать этот инструмент с SEO. CaptchaTronix API также использует интерфейс, которым легко пользоваться, независимо от того, какой у них опыт веб-разработки или CAPTCHA. Эта программа также совместима с веб-формами, cURL, PHP, Python, Perl, VB.NET и iMacros. Вы можете зарегистрироваться с новой учетной записью или, если у вас есть учетная запись на нескольких веб-сайтах, таких как InstantLinkIndexer.com, TextCaptchaSolver.com, Indexification.com, CatchAllBoxes.com, DomainRanx.com, SerpExplorer.com или InnoCoders.com, вы можете использовать уже существующую учетную запись. Captchatronix также всегда ищет способы улучшить свои услуги и предлагает частые обновления о том, что было изменено, чтобы упростить процесс для своих клиентов.

Captchacoder

Captchacoder — еще один отличный онлайн-сервис для решения CAPTCHA, который может предоставить своим клиентам два разных варианта, когда дело доходит до стратегий оплаты и решения.Это позволяет легко выбрать, что будет работать для вас, независимо от того, для какой цели вы хотите использовать CAPTCHA. Вы можете выбрать лучший вариант, который работает по доступной вам цене. Пакеты на выбор — это гибридная служба решения CAPTCHA или служба решения, ориентированная на человека. Эти варианты могут работать для ряда клиентов в зависимости от их требований. Цены варьируются от 0,59 доллара за каждую 1000 CAPTCHA до 2,40 доллара за каждую 1000 CAPTCHA.

Хотя некоторые службы взимают дополнительную плату за ночных сотрудников, Captchacoder этого не делает, поэтому вы можете сэкономить деньги прямо здесь.Время отклика варьируется от 1 секунды до 7 секунд, в зависимости от типа CAPTCHA. Среднее время для решения человеком больше, но оно также может быть более точным, чем решение с помощью OCR (оптического распознавания символов). Оба варианта предлагают круглосуточное обслуживание, которое не прекращается. Каждый вариант также предлагает 15-дневную гарантию возврата денег, если вы не очень довольны услугой, а также техническую поддержку. Варианты включают либо использование решения человеком, либо OCR. Вы можете выбрать то, что вам подходит.Чтобы зарегистрироваться, вам просто нужно ввести свою информацию и указать, что вы не робот.

De-Captcher

Эта онлайн-служба решения CAPTCHA существует примерно с момента появления CAPTCHA в Интернете. Он использует как людей, так и OCR (оптическое распознавание символов) для решения CAPTCHA, отправляемого его клиентами. Одна из лучших особенностей De-Captcher заключается в том, что он не только точен, но и решает головоломки быстро, что экономит много времени на ожидание.Еще одна замечательная особенность заключается в том, что оплачиваются только решенные CAPTCHA, поэтому, если есть сложная задача, вам не нужно платить за нее, даже если кто-то пытался ее решить. Он также постоянно обновляется, поскольку технологии и CATPCHA меняются со временем. Это то, что поддерживало его работу после всех этих лет.

могут использовать биткойны или WebMoney в качестве способов оплаты, которые являются очень безопасным способом оплаты ваших CAPTCHA, поэтому вам не нужно беспокоиться о том, что ваша личная информация попадет в чужие руки.De-captcher позволяет обойти некоторые типы, такие как математическая CAPTCHA. Также существует функция распознавания символов, когда речь идет о словесных и числовых CAPTCHA. Они решаются быстро и точно. Цена тоже хорошая. Это всего лишь 2 доллара на каждую 1000 решенных задач, и помните, что вы платите только за те, которые были успешно решены. De-Captcha также подключен к Twitter, поэтому существует целое сообщество, где вы можете заручиться поддержкой и получить то, что вам нужно, когда дело доходит до решения CAPTCHA.

Эксперт-декодеры

Expert Decoders — еще один отличный сервис для решения CAPTCHA, который может удовлетворить все ваши потребности. В зависимости от того, какую услугу вы ищете, у вас есть несколько вариантов на выбор. Есть два разных тарифных плана, каждый из которых предлагает уникальный набор функций. Например, обычная учетная запись предлагает цены от 1,20 до 2,40 доллара за 1000 CAPTCHA. Он поддерживается некоторыми сторонними сайтами, которые вы можете использовать, такими как декапчер, Bypasscaptcha и decaptcher.Средняя точность этого аккаунта для этого сервиса составляет более 85%, что довольно хорошо по сравнению с некоторыми другими сервисами. Он также предлагает 15-дневную гарантию возврата денег, если вас не устраивает то, за что вы заплатили. Премиум-аккаунт также имеет отличные функции.

Цены варьируются от 1,60 до 3,20 доллара за 1000 CAPTCHA. Это также дает возможность в любой момент вернуться к более ранней версии, если вы обнаружите, что эти функции вам не по силам. Эта учетная запись также предлагает интеграцию со сторонними сайтами, так что это отличная функция, которую вы можете получить с любым вариантом.Скорость решения составляет 99%, также есть сервер полного резервного копирования. С этой учетной записью у вас есть 30 дней, чтобы попробовать ее и понравится, или вы вернете свои деньги. Обе учетные записи позволят вам получить ответы практически на любой тип CAPTCHA, и обе поддерживают reCAPTCHA версии 2 от Google. Таким образом, вы гарантированно получите экспертные декодеры, соответствующие вашим потребностям.

Imagetyperz

ImageTyperz — еще один сервис для обхода CAPTCHA, который усердно работает, чтобы предоставить вам то, что вам нужно.Обычные CAPTCHA могут быть решены по низкой цене в 1 доллар за каждую 1000 решенных задач. Типы NoCAPTCHA и reCAPTCHA могут быть решены по цене 2 доллара за каждые 1000 решаемых за вас, поэтому независимо от того, какой тип CAPTCHA вам нужно решить, ImageTyperz — это ваша услуга. Когда вы посещаете домашнюю страницу, в центре экрана появляется полезное поле состояния, которое дает вам актуальную информацию о том, как работает служба. Он также дает среднее время решения в течение этой последней минуты и 5 минут для обоих типов CAPTCHA, так что вы можете сами увидеть, чего ожидать.

Он также сообщает, работает ли сайт в нормальном режиме, и может указать, есть ли какие-либо проблемы, о которых вам следует знать. ImageTyperz предлагает услуги, которые можно настроить в соответствии с потребностями вашего бизнеса. Этот сайт предлагает своим клиентам поддержку, доступную 24 часа в сутки, 7 дней в неделю, поэтому, если что-то не так, у вас есть возможность поговорить с живым человеком. Он предлагается практически для всех основных платформ, поэтому может быть полезным инструментом практически для всех, кто хочет решить CAPTCHA.Не решенные CAPTCHA не требуют оплаты, поэтому вы не будете тратить деньги на недостоверную информацию.

Дешевые Captcha

Cheap Captcha — это онлайн-сервис для решения CAPTCHA, который утверждает, что его возможности будут стоить вам меньше, чем другие сервисы. Он поддерживает множество различных типов API, а также дает возможность использовать многие виды безопасных платежей. Варианты ценообразования следующие. За 4,73 доллара вы можете решить 12 000 CAPTCHA.Если вам нужно больше, вы заплатите 9,87 долларов за 25000, а 100000 обойдутся вам всего в 39,49 долларов. Эти цифры значительно ниже, чем у других сервисов. Это не только дешевая услуга, но и ваши CAPTCHA будут решены быстро и точно.

Более 90% CAPTCHA решаются точно, что даже выше, чем у некоторых других сервисов в этом списке. Он доступен 24 часа в сутки, семь дней в неделю, поэтому независимо от того, где вы находитесь, вы можете выполнить свою работу.На их решение уходит в среднем всего 12 секунд! Это также сервис, совместимый с разными API, поэтому он очень удобен. Многие известные клиенты использовали эту услугу раньше и нашли ее успешной, например, Scrapeboard, SickMarketing и Instant Social Anarchy. На этом сайте легко зарегистрироваться, а также по нему легко перемещаться после регистрации. Как только вы начнете использовать Cheap Captcha, вы больше никогда не захотите использовать другую услугу. Cheap Captcha предлагает качественный сервис по очень доступной цене.

Обход Captcha

Есть много веских причин для использования обхода Captcha для всех ваших задач по решению CAPTCHA. Начнем с того, что Bypass Captcha никогда не берет выходной. Услуга доступна круглый год без перерыва. Еще одна замечательная особенность заключается в том, что он не требует скрытых затрат, как некоторые другие услуги. Программисты, работающие с Bypass Captcha, также невероятно надежны, профессиональны и компетентны в том, что они делают, чтобы предоставить клиентам лучший сервис.Сервис также может быть интегрирован с другими типами программного обеспечения, поэтому он совместим с тем, с чем вы сейчас работаете. Это сделано для удобства клиентов. В дополнение к этим функциям Bypass Captcha также предлагает возможность решать различные типы CAPTCHA быстрым и точным способом.

Без скрытых затрат вы поймете, что получаете, еще до регистрации. Кроме того, вы сможете увидеть историю того, как была потрачена каждая копейка. Обход Captcha также предлагает то, что если они не могут предложить вам то, что вам нужно, они сделают все возможное, чтобы создать что-то для вас.Не многие другие службы могут поместить это в свое резюме. При определении того, какой план подходит вам, каждый кредит эквивалентен одной правильно решенной CAPTCHA. Планы начинаются с 630 долларов США за 100 000 CAPTCHA. Один из лучших предложенных планов — 130 долларов за 20 000 кредитов. Также есть планы на 34 и 14 долларов, которые позволят решить 5 000 и 2 000 CAPTCHA соответственно.

Основатель DYNO Mapper и представитель консультативного комитета W3C.

Селектор расширенных данных для инициирования атаки текстовой CAPTCHA

В последние десятилетия из-за низкой стоимости проектирования и простоты обслуживания текстовые CAPTCHA широко использовались при создании механизмов безопасности для аутентификации пользователей.Благодаря недавним достижениям в области машинного / глубокого обучения в распознавании изображений CAPTCHA, для взлома текстовых CAPTCHA предлагается все больше методов атак. Эти атаки на основе машинного обучения / глубокого обучения часто основываются на обучающих моделях на огромных объемах обучающих данных. Плохо сконструированные данные CAPTCHA также приводят к низкой точности атак. Чтобы исследовать эту проблему, мы предлагаем простой, универсальный и эффективный подход к предварительной обработке для фильтрации и улучшения исходного набора данных CAPTCHA, чтобы повысить точность предыдущих методов атаки.В частности, предлагаемый подход к предварительной обработке состоит из селектора данных и дополнителя данных. Селектор данных может автоматически отфильтровывать обучающий набор данных с обучающей значимостью. Между тем, усилитель данных использует четыре разных шума изображения для генерации разных изображений CAPTCHA. Правильно построенный набор данных CAPTCHA может лучше обучать модели глубокого обучения для дальнейшего повышения уровня точности. Обширные эксперименты показывают, что уровень точности пяти часто используемых методов атаки после объединения нашего подхода к предварительной обработке равен 2.От 62% до 8,31% выше, чем без предварительной обработки. Кроме того, мы также обсуждаем потенциальные направления исследований для будущей работы.

1. Введение

Полностью автоматизированные общедоступные тесты Тьюринга для различения компьютеров и людей, сокращенно CAPTCHA, — это своего рода тест, который автоматически различает операции человека и робота. В 2003 году Фон Ан и др. [1] сначала обсуждают использование специально разработанных схем CAPTCHA для предотвращения атаки со стороны роботов и, таким образом, повышения безопасности сети.После этого исследователи изобрели множество схем CAPTCHA, таких как CAPTCHA на основе текста, CAPTCHA на основе изображений, CAPTCHA типа слайдера и CAPTCHA для SMS. Эти схемы CAPTCHA широко используются на веб-сайтах и ​​в мобильных приложениях для защиты корпоративных паролей и данных пользователей [2–6]. Как показано на рисунке 1, мы представляем статистическую круговую диаграмму для подсчета типов часто используемых CAPTCHA со 100 популярных веб-сайтов. Согласно нашему опросу, почти 55% веб-сайтов используют текстовые CAPTCHA в качестве механизмов безопасности и идентификации, что намного превосходит другие типы из-за низких затрат на разработку и обслуживание.По этой причине в данной статье мы в основном сосредоточены на изучении текстовых CAPTCHA.

Критическим моментом проектирования текстовой CAPTCHA является предотвращение распознавания текстовой информации в CAPTCHA различными компьютерными атаками, поскольку эти атаки могут вызвать серьезные утечки данных и экономические потери для предприятий и пользователей [7]. Для достижения этой цели исследователи разрабатывают множество методов шифрования, препятствующих компьютерному распознаванию, в соответствии со структурой текстовой CAPTCHA.Как правило, текстовое изображение CAPTCHA состоит из трех слоев [8], как показано на рисунке 2. Слой переднего плана обычно имеет некоторые перекрывающие линии, зашумленные пятна и другие элементы интерференции. Слой символов содержит символы, которые могут распознать пользователи. Дизайнеры обычно добавляют некоторые дополнительные характеристики антисегментации и распознавания, такие как разнообразный шрифт, наложение, поворот, искажение и волнистость на текстовых CAPTCHA. Фоновый слой обычно представляет собой монохромную фоновую доску или определенное изображение, которое может мешать распознаванию символов компьютерами.

Хороший метод атаки может идентифицировать текстовые символы CAPTCHA после добавления нескольких сложных функций безопасности. В последние годы исследователи предложили различные методы атак для решения текстовых CAPTCHA [9, 10]. Одним из предпочтительных методов атаки является использование машинного обучения для компьютерного распознавания текстовых CAPTCHA [11]. Кроме того, как эволюция машинного обучения, глубокое обучение способно принимать точные решения в области распознавания изображений [12].По этой причине в недавних исследованиях были начаты исследования методов атак на основе глубокого обучения для решения текстовых CAPTCHA с высокой точностью [7, 8]. Однако предыдущие исследования часто основывались на огромных объемах немаркированных обучающих данных (например, миллионы образцов [13]), что влечет за собой дополнительные затраты, которые являются трудоемкими и требуют много времени для маркировки всех обучающих данных. На самом деле не все данные имеют смысл для обучения, потому что обучение на некоторых данных существенно не улучшает точность атаки [14, 15].Нам не стоит тратить много времени на то, чтобы вручную пометить эти типы данных.

В этой статье мы предлагаем метод предварительной обработки для эффективного выбора изображений CAPTCHA с целью повышения скорости распознавания методов атаки CAPTCHA на основе машинного / глубокого обучения. Наш подход к предварительной обработке может значительно повысить точность часто используемых методов атаки. В частности, предлагаемый нами подход к предварительной обработке содержит два модуля предварительной обработки: селектор данных и дополнитель данных.Более подробно, модуль выбора данных выбирает некоторые конкретные текстовые CAPTCHA из исходного набора данных CAPTCHA в качестве обучающего набора в соответствии с заданными правилами. Затем модуль дополнения данных случайным образом добавляет шумы для каждых обучающих данных, чтобы получить более высокую целевую степень точности. Мы оцениваем предлагаемый подход предварительной обработки, интегрируя его в пять широко используемых методов атаки на основе машинного обучения. Эти часто используемые методы атаки включают сверточную нейронную сеть (CNN), машину опорных векторов (SVM), дерево решений (DT), случайный лес (RF) и логистическую регрессию (LR).Экспериментальные результаты показывают, что в случае 3319 оригинальных текстовых CAPTCHA, показатели точности пяти методов атаки после добавления нашего подхода предварительной обработки на 2,62–8,31% выше, чем показатели точности без добавления модуля предварительной обработки. Наш эксперимент доказывает, что точность текстовых атак CAPTCHA может быть значительно улучшена за счет усиления предварительной обработки, которая, однако, игнорируется в существующих исследованиях.

Таким образом, этот документ вносит следующие вклады: (1) Мы представляем простой и общий подход к предварительной обработке данных для повышения точности и эффективности текстового процесса атаки CAPTCHA, который использует методы машинного / глубокого обучения.Наш подход к предварительной обработке состоит из двух модулей: (i) селектор данных для эффективной фильтрации CAPTCHA с обучающей значимостью и (ii) дополнитель данных для повышения точности метода атаки. (2) Мы проводим комплексные эксперименты по удалению, комбинируя наши подход в пяти часто используемых методах машинного / глубокого обучения, включая CNN, SVM, DT, RF и LR. Результаты эксперимента подтверждают, что наш подход может значительно улучшить высокую точность общих методов атаки, что указывает на широкую применимость нашего подхода.

Остальная часть этого документа организована следующим образом: Раздел 2 представляет собой обзор наиболее часто используемых методов атаки на основе машинного / глубокого обучения для взлома текстовых CAPTCHA. Раздел 3 знакомит с общим процессом атаки и детальным дизайном нашего подхода к предварительной обработке. В разделе 4 мы проводим серию экспериментов по устранению пяти часто используемых методов обучения, чтобы продемонстрировать, что наш подход с предварительной обработкой может эффективно повысить точность существующих методов атаки. Кроме того, в разделе 5 обсуждаются будущие исследования, связанные с схемами человеко-машинной проверки, основанными на текущих текстовых CAPTCHA.Раздел 6 завершает эту статью.

2. Предыдущие методы атак

В последние годы, опираясь на огромный объем данных, было представлено множество методов атак на основе обучающих моделей для распознавания текстовых CAPTCHA. Мы можем примерно разделить их на две категории: машинное обучение и методы атаки с глубоким обучением.

В последнее время интерес к компьютерной безопасности в различных компьютерных системах растет [16–25]. Традиционные методы машинного обучения включают SVM, DT и RF, которые широко используются для взлома текстовых CAPTCHA.Мори и Малик впервые попытались атаковать текстовую CAPTCHA в 2003 году [26]. Они получили 33% -й уровень точности текстовой CAPTCHA под названием Gimpy, изучив сложные алгоритмы распознавания объектов. С тех пор исследователи предложили различные алгоритмы атаки для текстовых CAPTCHA [27]. Наиболее показательная работа состоит в том, что Бостик и Клецка сравнили пять традиционных методов машинного обучения для атаки на CAPTCHA в виде пузыря символов [28]. Их экспериментальные результаты показывают, что SVM имеет самый высокий уровень точности, но DT имеет самые низкие вычислительные затраты.Стоит отметить, что эти методы атаки на основе машинного обучения в значительной степени зависят от сегментации символов. Если персонаж не может быть полностью сегментирован, точность метода атаки на основе машинного обучения будет значительно снижена. Таким образом, мы суммируем ограничения использования методов атаки на основе машинного обучения: (1) необходимо разработать сложный алгоритм сегментации символов, чтобы предварительная обработка была чрезвычайно громоздкой; (2) ему необходимо вручную найти характеристики каждого символа, что приводит к относительно низкому уровню точности.

Методы атак на основе глубокого обучения в основном относятся к сверточным нейронным сетям. В отличие от традиционных методов машинного обучения, сверточные нейронные сети могут автоматически получать информацию об основных характеристиках изображения посредством непрерывной свертки и объединения, а извлеченные функции намного больше, чем традиционные методы машинного обучения. Обширные исследования доказали, что сверточные нейронные сети более подходят для распознавания изображений, чем традиционные методы машинного обучения [9–13, 29–33].Следовательно, Gao et al. [10] возглавили использование CNN для обучения сегментированных полых CAPTCHA. Их модель показала точность 89% на тестовом наборе, а максимальная скорость успешного распознавания составила 3 ​​секунды на текстовую CAPTCHA. Среди существующих атак, основанных на глубоком обучении, точность все еще сильно зависит от качества сегментации символов. Поскольку текстовые CAPTCHA, разработанные исследователями, становятся все более сложными, традиционные алгоритмы сегментации не могут полностью разделить каждый символ.Чтобы устранить этот недостаток, Ye et al. использовали генеративную состязательную сеть (GAN) для автоматической генерации большого количества помеченных текстовых CAPTCHA в качестве обучающего набора [7, 14, 15]. Для некоторых типов текстовых CAPTCHA этот метод должен пометить только около 500 оригинальных текстовых CAPTCHA, чтобы получить уровень распознавания более 90%.

3. Наш подход

3.1. Общий процесс атаки

Как показано на рисунке 3, для взлома текстовых CAPTCHA с помощью методов машинного / глубокого обучения общий процесс атаки обычно требует следующих шагов.

3.1.1. Сбор данных

Этот шаг используется для получения исходного набора данных, что практически достигается путем сканирования большого количества текстовых CAPTCHA с реальных веб-сайтов. Чтобы обеспечить полные выборки данных, полученные текстовые CAPTCHA должны иметь характеристики, включая искажение, вращение, колебание и перекрытие.

3.1.2. Предварительная обработка данных

Вообще говоря, предварительная обработка данных используется для фильтрации исходных данных в соответствии с выделенной операцией фильтрации, тем самым повышая эффективность последующего процесса обучения.В этой статье мы представляем новый подход к предварительной обработке, который также может обеспечить высокую точность атакующего процесса. Подробный план метода показан в разделе 3.2.

3.1.3. Обучение модели

На этом шаге используются методы обучения машинного обучения для создания модели прогнозирования для распознавания текстовых CAPTCHA. Здесь мы выбираем пять наиболее часто используемых методов машинного / глубокого обучения: CNN, SVM, DT, RF и LR. Примечательно, что CNN — это популярный алгоритм глубокого обучения, который может обеспечить относительно высокую точность идентификации изображений CAPTCHA.В частности, в нашем эксперименте мы помещаем каждые 200 изображений в качестве обучающего пакета в CNN для обучения после бинаризации. В таблице 1 показаны архитектура и параметры CNN, использованной в нашем эксперименте. Кроме того, в эксперименте мы также используем четыре метода машинного обучения, включая SVM, DT, RF и LR. Для этих методов исследователям необходимо искусственно искать некоторые особенности персонажей, чтобы компьютеры могли изучить их в соответствии с характеристиками разных персонажей.

Тип / шаг Форма фильтра Размер на входе Размер на выходе 200 × 3 Conv2D1 60 × 160 × 1 200 × 58 × 158 × 32 MaxPool2D_1 / S2 2 × 2 200 × 58 × 158 × 32 200 × 29 × 79 × 32 Conv2D_2 / S1 5 × 5 × 64 200 × 29 × 79 × 32 200 × 25 × 75 × 64 MaxPool2D_2 / S2 2 × 2 200 × 25 × 75 × 64 200 × 12 × 37 × 64 Conv2D_3 / S1 5 × 5 × 128 200 × 12 × 37 × 64 200 × 8 × 33 × 128 MaxPool2D_3 / S2 2 × 2 200 × 8 × 33 × 128 200 × 4 × 16 × 128 Flatte 90 702 — 200 × 4 × 16 × 128 200 × 8192 Плотный — 200 × 8192 200 × 128 Изменение формы — 200702 200 × 4 × 32

3.1.4. Вывод прогноза

Модель прогнозирования создается после процесса обучения модели, которую можно использовать для идентификации немаркированного набора тестов. Таким образом, модель прогнозирования может выводить результат распознавания для каждой тестовой CAPTCHA. Затем мы подсчитываем, согласуется ли результат прогнозирования, полученный с помощью модели прогнозирования, с символами в соответствующей CAPTCHA. Наконец, мы даем точность модели прогнозирования на тестовом наборе.

3.2. Наш подход к предварительной обработке

Мы можем ясно видеть, что в общем процессе атаки не все текстовые CAPTCHA в исходных выборках данных могут повлиять на окончательную степень точности.Это побуждает нас выбирать только небольшое количество обучающих данных, которые оказывают значительное влияние на результаты прогнозирования, а также могут обеспечить высокую точность. Для достижения этой цели мы разрабатываем новый подход к предварительной обработке, состоящий из двух модулей: (i) селектор данных, который вызывает набор правил для фильтрации высококачественного текстового обучающего набора CAPTCHA, и (ii) дополнитель данных, который является используется для расширения набора данных и повышения надежности модели прогнозирования.

3.2.1. Селектор данных

Мы стремимся разработать селектор данных, который может генерировать чистый и эффективный обучающий набор путем фильтрации исходного набора данных, тем самым повышая точность прогнозирования всей модели.Для детального проектирования селектора данных мы формулируем набор правил, которые могут отфильтровать обучающий набор текстовых CAPTCHA с высоким качеством обучения. Правила фильтрации селектора данных также показаны в части B на рисунке 3. Сначала мы подсчитываем классы символов в исходном наборе изображений CAPTCHA. Всего существует 32 класса символов: 2 ∼ 9, A ∼ Z, кроме «O» и «I». То есть каждая CAPTCHA на веб-сайте состоит из четырех символов (повторяющихся), которые случайным образом выбираются из 32 классов символов.В этом случае каждый класс символов может появиться с вероятностью в один бит текстовой строки CAPTCHA. Во-вторых, мы делим изображения обучающего набора на 32 столбца в алфавитном порядке и размещаем изображения с одним и тем же первым символом CAPTCHA в один столбец. В остальных трех столбцах каждый столбец должен содержать все классы символов. Это гарантирует, что нейронная сеть обучит 32 разных символа в каждой позиции.

3.2.2. Data Augmentor

Расширение данных используется для расширения набора данных, тем самым повышая надежность модели прогнозирования.Это также может помешать нейронной сети изучить нерелевантные функции, тем самым существенно улучшив общую производительность модели. Мы предлагаем усилитель данных с использованием четырех различных шумов изображения, таких как гауссовский шум, перцовый и соленый шум, масштаб и линия перекрытия. В таблице 2 показано сравнение четырех типов шумовых изображений с исходным изображением. В нашем эксперименте модуль увеличения данных случайным образом назначает метод увеличения для каждого изображения или решает не выполнять какую-либо обработку.Затем усилитель данных автоматически помещает изображения с добавленным шумом в CNN для обучения. Рабочий процесс дополнителя данных проиллюстрирован в части C на рисунке 3. Каждый шум изображения подробно описывается следующим образом: (i) Гауссовский шум: Гауссовский шум назван в честь Карла Фридриха Гаусса, потому что его функция плотности вероятности (PDF) равна что нормального распределения. В нашем эксперименте мы сначала используем функцию random.randn () в Python, чтобы случайным образом вернуть массив со стандартным нормальным распределением.Затем мы умножаем массив на вероятность гауссова шума, чтобы сгенерировать матрицу шума. Наконец, мы добавляем матрицу шума к матрице обычного текстового CAPTCHA, чтобы сгенерировать изображение гауссовского шума. Функцию гауссовского шума можно выразить так: где обозначает зашумленное изображение, обозначает необработанное изображение и представляет гауссовский шум с дисперсией и средним значением 0. (ii) Перечный и соленый шум: по сути, и перец, и соль. шумы — это некоторые черно-белые пиксели, которые случайным образом появляются на изображениях.Солевой шум также называют белым шумом, а перечный шум также называют черным шумом. Конкретно, в нашем методе мы случайным образом выбираем несколько пикселей на изображении и меняем значения RGB пикселей на или цвет в стандартной таблице сравнения цветов RGB. Функция перцового (или соленого) шума может быть выражена как где означает зашумленное изображение, означает необработанное изображение и представляет перцовый (или соленый) шум с вероятностью шума 0,5. (Iii) Закрывающая линия: мы реализуем метод для создания закрывающей линии.Принцип этого метода показан на рисунке 4. Формула этого метода показана в уравнении (3). Во-первых, мы предполагаем, что координаты левой и правой конечных точек и закрывающей линии равны и соответственно. Кроме того, мы обнаружили, что когда, и, закрывающая линия может пересекать четыре символа на изображении CAPTCHA. Поэтому мы используем функцию для генерации конечных точек перекрывающей линии. Затем мы вызываем функцию draw.line () для создания отрезка линии, соединяющего две конечные точки и.Функция создания закрывающей линии определяется как где означает наблюдаемое изображение закрывающей линии, обозначает необработанное изображение и представляет закрывающую линию. (Iv) Масштаб: четвертым методом увеличения данных, используемым в дополнителе данных, является масштабирование. Мы тщательно анализируем характеристики исходных изображений CAPTCHA, а затем предлагаем метод масштабирования изображения. Сначала мы переводим изображение размером 60 × 160 влево на 10 пикселей, а затем вверх на 10 пикселей. Во-вторых, мы вызываем функции панорамирования и масштабирования, чтобы настроить изображение до 50 × 140.Наконец, мы вызываем функцию изменения размера, чтобы восстановить изображение до 60 × 160. Из примера в Таблице 2 видно, что по сравнению с исходным изображением CAPTCHA символы после увеличения по-прежнему сохраняют свои основные характеристики символов. Этот метод может эффективно препятствовать обучению нейронной сети нерелевантным или неключевым характеристикам персонажей, существенно повышая точность модели. В частности, у нас есть где обозначает наблюдаемое изображение перекрывающей линии, означает оператор масштабирования и представляет необработанное изображение.

Схема Исходный пример Пример с шумами Гауссовский шум 9069 9069 9069 9069 9069 9069 9069 9069 9069 9069 9069 Масштаб

4.Эксперименты. методы.

4.1. Настройки эксперимента

4.1.1. Подготовка данных

В качестве цели атаки в этом эксперименте мы использовали отсканированные 9 955 исходных текстовых CAPTCHA без меток с веб-сайта E-ZPass New York.Принцип этого метода показан на рисунке 5. Характеристики CAPTCHA этого веб-сайта следующие: нет лишних помех, символы искажены, и только два визуальных цвета — белый и черный. Эти функции значительно снижают нашу рабочую нагрузку, поскольку избавляют нас от утомительного этапа предварительной обработки шумоподавления. Стоит отметить, что похожие символы могут отрицательно сказаться на успешности распознавания, например «0» и «O», «I» и «1». Чтобы избежать этого затруднительного положения, мы вручную удаляем изображения, содержащие эти четыре символа, в наборе данных веб-сканера.Таким образом, исходный набор изображений CAPTCHA содержит всего 32 класса символов: 2–9, A – Z, за исключением «O» и «I».

4.1.2. Детали реализации

Наша среда реализации — PyCharm 2020.2.2, язык программирования — Python 3.7, и мы тестируем ее на ноутбуке с интернет-ядром i5-8250CPU 1,6 ГГц, 4 ГБ ОЗУ и Windows 10×64. используйте функцию findContours () для сегментации обучающих изображений, которая встроена в OpenCV 4.1. Для CNN мы используем TensorFlow 2.0 для написания обучающего кода.

4.1.3. Метрика оценки

Чтобы оценить качество текстовых атак CAPTCHA, мы используем метрику точности предсказания, то есть степень точности. Модель прогнозирования с более высокой степенью точности будет иметь значение точности ближе к 100%. Мы можем использовать следующую формулу для расчета уровня точности: где представляет количество текстовых CAPTCHA, успешно идентифицированных моделью прогнозирования в тестовом наборе, и представляет размер тестового набора.

4.2. Эксперименты по абляции

В нашем эксперименте мы проводим ряд экспериментов по абляции для проверки двух предлагаемых нами подходов к предварительной обработке. На рисунке 6 показана степень точности каждого основного метода атаки в различных средах предварительной обработки. В тестовом эксперименте мы вводим набор необработанных наборов данных в пять часто используемых методов атаки для обучения. Кроме того, мы готовим одинаковое количество маркированных обучающих изображений и один и тот же метод базовой атаки для каждого эксперимента, чтобы обеспечить его справедливость.Повышение производительности показывает, что наш подход к предварительной обработке дает преимущества при распознавании символов, особенно при одновременном использовании двух модулей предварительной обработки.

Сначала мы добавляем модули селектора данных и дополнения данных по отдельности. Уровень точности метода атаки на основе CNN увеличивается на 2,61% и 0,66% по сравнению с эталонным экспериментом после добавления селектора данных и дополнения данных соответственно. Это показывает, что даже добавление одного модуля предварительной обработки может быть выгодным для распознавания.Когда мы добавляем эти два модуля предварительной обработки к атаке на основе CNN одновременно, точность этой модели составляет 95,5%, что на 4,51% выше, чем в случае без какого-либо модуля предварительной обработки. В целом, подход с предварительной обработкой может еще больше повысить точность метода атаки на основе CNN.

Чтобы проверить применимость подхода предварительной обработки, мы проводим серию экспериментов по удалению четырех методов атаки на основе машинного обучения. Мы выбираем четыре наиболее часто используемых традиционных метода машинного обучения, включая SVM, DT, RF и LR, в качестве базовых моделей обучения.Затем мы проводим серию экспериментов по абляции для каждого из методов машинного обучения, чтобы продемонстрировать широкую применимость предлагаемых нами модулей предварительной обработки. Каждый набор экспериментов по абляции состоит из основной контрольной группы, эксперимента с добавлением селектора данных, эксперимента с добавлением дополнителя данных и эксперимента с добавлением двух модулей предварительной обработки. Обучающие наборы в основной контрольной группе содержат 3319 случайно отмеченных исходных изображений CAPTCHA. Для оставшихся двух экспериментов с добавлением селектора данных модуль выбирает 3 319 CAPTCHA в соответствии с реальной ситуацией.

Из рисунка 6 видно, что после добавления модулей селектора данных (DS) и дополнения данных (DA) к различным методам атаки уровень точности повысился в разной степени. Более подробно, после добавления двух модулей предварительной обработки одновременно, уровень точности для SVM увеличивается с 87,16% до 89,78%, DT с 79,75% до 88,06%, RF с 84,0% до 88,78% и LR с 81,87% до 87,93%. Обширные эксперименты с контрастом показывают, что наш подход к предварительной обработке имеет широкую применимость, которая может быть легко применена к другим методам атаки.

Примечательно, что из пяти широко используемых методов атаки метод атаки CNN имеет наивысший уровень точности при том же количестве обучающих образов, даже в случае без добавления каких-либо модулей предварительной обработки. Основная причина в том, что преимущество CNN заключается в извлечении признаков. Нейронная сеть может даже извлекать некоторые базовые функции после нескольких сверток. В случае крупномасштабных обучающих данных глубокая нейронная сеть может извлекать больше функций, чем традиционные методы машинного обучения.Поскольку люди обычно используют ImageNet или другие крупномасштабные наборы данных в современных алгоритмах распознавания изображений, многие традиционные методы, такие как SVM и DT, трудно удовлетворить практическим требованиям с точки зрения вычислительной сложности. Следовательно, когда обучающая выборка большая и сложная, эффект от использования нейронной сети с низкой вычислительной сложностью и высоким параллелизмом лучше, чем у традиционных методов машинного обучения. Выдающаяся производительность CNN показывает, что использование CNN для идентификации текстовой CAPTCHA более точно, чем традиционные методы машинного обучения.

5. Обсуждение

Анализируя текущие исследования CAPTCHA, мы прилагаем много усилий для повышения точности методов атак, включая различные модели обучения на основе машинного / глубокого обучения, а также наш подход к предварительной обработке данных. При таком увеличивающемся развитии методов атак требуется более сложный дизайн CAPTCHA для повышения безопасности. Однако сложный дизайн может также вызвать трудности с распознаванием CAPTCHA для людей и, таким образом, привести к плохому взаимодействию с пользователем.С этой целью, как сбалансировать сложность дизайна CAPTCHA и пользовательский опыт — важная тема исследования в будущем [18, 34, 35].

Взяв в качестве примера текстовые CAPTCHA, мы исследуем реальный пользовательский опыт с точки зрения различных сильных сторон безопасности CAPTCHA. В частности, мы проводим анкетный опрос для 20 участников, которым необходимо определить 500 текстовых изображений CAPTCHA, сканируемых с реальных веб-сайтов. Эти изображения CAPTCHA имеют разную степень защиты в соответствии с различными комбинациями нескольких основных характеристик изображения, включая шум, перекрытие, поворот, искажение и волнистость.Затем участники оценивают удобство использования CAPTCHA, выставляя оценку юзабилити от 1 до 5. Статистические результаты нашего анкетного опроса показаны в таблице 3, в которой мы рассматриваем пять комбинаций функций изображения для сравнения пяти различных сильных сторон безопасности CAPTCHA. конструкции. Для каждой комбинации функций изображения мы подсчитываем средний уровень точности и средний рейтинг удобства использования, присвоенный всеми участниками.

908 идентификации человека увеличивается с увеличением комбинации характеристик изображения.Для CAPTCHA, включающего только две функции изображения (т. Е. Вращение и движение), он имеет самую низкую степень защиты, поэтому средний уровень точности для людей может достигать 99%. Однако средний уровень точности для людей составляет всего 66%, когда CAPTCHA имеет пять функций изображения, а это означает, что около одной трети пользователей не смогут идентифицировать. Кроме того, по мере увеличения количества используемых функций изображения оценка удобства использования, данная участниками, становится все ниже и ниже. Это связано с тем, что, хотя сложные изображения CAPTCHA могут лучше предотвратить атаки злонамеренных ботов, они также усложняют идентификацию человека и ухудшают взаимодействие с пользователем.В общем, для решения проблемы несбалансированности между сильными сторонами безопасности и пользовательским интерфейсом в будущем потребуется разработка нового типа текстовой CAPTCHA, которая сможет эффективно противостоять атакам роботов, но при этом будет удобна для пользователя. 6. Заключение Как наиболее широко используемая схема CAPTCHA, CAPTCHA на основе текста является важным механизмом безопасности для различения людей и компьютеров. Однако наша атака представляет угрозу для реальной текстовой CAPTCHA. Мы представляем новый подход к предварительной обработке для текстовых атак CAPTCHA.Подход предварительной обработки включает два модуля: селектор данных и дополнитель данных. Прежде всего, модуль выбора данных автоматически выбирает некоторые данные с обучающей значимостью в качестве обучающего набора в исходном наборе данных в соответствии с установленными нами правилами. Во-вторых, модуль дополнения данных увеличивает объем обучающих данных, чтобы повысить надежность модели. Мы успешно применили этот подход предварительной обработки к пяти различным часто используемым методам атаки, и уровень точности был значительно улучшен.Ключевым преимуществом нашего подхода к предварительной обработке является то, что он требует меньшего участия человека и для любого базового метода атаки, добавляя этот этап предварительной обработки, можно достичь более высокой степени точности с относительно меньшим количеством обучающих данных для любого базового метода атаки. Наконец, мы дополнительно обсудили существующие проблемы в текущем дизайне текстовых CAPTCHA. Наша работа также может быть применена во многих практических сценариях [20, 22, 24], таких как распознавание символов ID-карты, распознавание номеров банковских карт и распознавание рукописных цифр.Расширение области применения также является частью нашей постоянной работы. Доступность данных Данные доступны по запросу соответствующему автору. Конфликт интересов Авторы заявляют об отсутствии конфликта интересов. FSecureLABS / captcha22: CAPTCHA22 — это набор инструментов для создания и обучения моделей взлома CAPTCHA с использованием нейронных сетей. CAPTCHA22 — это набор инструментов для построения и обучения моделей взлома CAPTCHA с использованием нейронных сетей.Эти модели затем можно использовать для взлома CAPTCHA с высокой степенью точности. При использовании вместе с другими скриптами CAPTCHA22 приводит к автоматизации атак; подрыв того самого контроля, который стремится его остановить. Содержание Установка CAPTCHA22 требует тензорного потока (см. Предварительные условия). Затем вы можете установить CAPTCHA22, используя pip : Предварительные требования CAPTCHA22 наиболее эффективен при построении тензорного потока с поддержкой графического процессора.Однако это потребует множества шагов (как описано здесь). В настоящее время для AOCR требуется TF <2, для чего требуется Python <3.7. В будущем AOCR будет перенесен на TF2. Чтобы установить менее оптимальную сборку тензорного потока на базе ЦП, вы можете просто ввести следующую команду: pip install "tensorflow <2" Дополнение для обслуживания тензорного потока требуется для размещения обученных моделей CAPTCHA. Использование: Как взломать CAPTCHA CAPTCHA22 работает путем обучения нейронной сети на выборке помеченных CAPTCHA (с использованием скользящей CNN с модулем LSTM).Как только эта модель будет достаточно точной, ее можно будет применить к неизвестным CAPTCHA, что автоматизирует процесс взлома CAPTCHA. Этот процесс разбит на 3 этапа: Шаг 1. Создание данных обучающей выборки (маркировка CAPTCHA) Первым шагом в этом процессе является создание образца правильно помеченных CAPTCHA. В идеале вы должны стремиться как минимум к 200. 1. Сбор капчи К сожалению, не существует универсального решения для всех для сбора образцов CAPTCHA, и вам придется проявить новаторский подход.По нашему опыту, у нас не было особых трудностей с автоматизацией этого процесса с помощью wget или библиотеки python запросов . Как вы подойдете к этому, зависит от вас, но хорошей отправной точкой, вероятно, будет попытаться выяснить, как целевое приложение генерирует / обслуживает свои CAPTCHA. 2. Маркировка К сожалению, маркировка производится вручную. Это наиболее трудоемкий и трудоемкий шаг во всем этом процессе - к счастью, с этого момента все становится только лучше. Чтобы попытаться упростить задачу, мы включили функцию, помогающую с маркировкой: метка клиента captcha22 --input = <папка с сохраненной капчей> По завершении CAPTCHA22 создаст ZIP-файл (e.грамм. _ _ .zip ), который вы можете загрузить (обсуждается в шаге 2). Шаг 2. Обучение модели CAPTCHA Когда у вас есть образец набора помеченных CAPTCHA, следующим шагом будет начать обучение модели CAPTCHA. 1. Запустите сервер (и API) Для этого вам сначала нужно запустить серверный движок CAPTCHA22, который опрашивает каталог ./Unsorted/ на предмет новых ZIP-архивов: Включите API для взаимодействия с механизмом CAPTCHA22 (если вы опытный пользователь, можете пропустить этот шаг): Учетные данные API по умолчанию: admin: admin .Вы можете изменить файл users.txt , чтобы изменить это значение, или добавить дополнительных пользователей. См. Приведенный ниже фрагмент кода для руководства: python -c "из werkzeug.security import generate_password_hash; print ('username_string' + ',' + generate_password_hash ('password_string'))" 2. Загрузите обучающие образцы CAPTCHA Чтобы загрузить обучающие образцы, просто перетащите ZIP-файл, созданный на шаге 1, в ./Unsorted/ . Имя ZIP-файла должно быть _ .почтовый индекс . В качестве альтернативы, если вы решили включить API, вы можете выполнить этот шаг в интерактивном режиме с помощью клиента: В обоих случаях CAPTCHA22 автоматически начнет обучение модели. 3. Разверните обученную модель После того, как модель обучена и станет достаточно точной, ее можно развернуть для автоматического взлома. Модель можно развернуть на сервере CAPTCHA22 или загрузить. Оба метода могут быть выполнены с помощью интерактивного клиента API. Чтобы разместить модель, распакуйте ZIP-архив и выполните: tensorflow_model_server --port = 9000 --rest_api_port = 9001 --model_name = --model_base_path = <полный путь к каталогу экспортированной модели> Интерактивный клиент API также может использоваться для загрузки CAPTCHA в CAPTCHA22, который будет решен с помощью размещенной модели. Следующий запрос cURL проверит, работает ли модель: curl -X POST \ http: // localhost: 9001 / v1 / models / <имя вашей модели>: предсказать \ -H 'управление кешем: без кеша' \ -H 'тип содержимого: приложение / json' \ -d '{ "signature_name": "serv_default", «входы»: { "input": {"b64": "/ 9j / 4AAQ =="} } } ' Шаг 3. Взлом капчи После размещения модели вы сможете передавать CAPTCHA в модель и получать ответ (т.е. автоматизация). Вы можете использовать приведенный ниже шаблонный код для использования CAPTCHA22 в сочетании с вашим собственным кодом для выполнения различных автоматических атак (например, Перечисление имени пользователя , Подбор пароля методом перебора , Распыление пароля и т. Д.). из captcha22 import Cracker # Создать экземпляр взломщика, все аргументы необязательны solver = Взломщик ( # server_url = "http://127.0.0.1", # server_path = "/ captcha22 / api / v1.0 /", # server_port = "5000", # username = None, # пароль = Нет, # session_time = 1800, # use_hashes = Ложь, # use_filter = False, # use_local = False, # input_dir = "./Вход/", # output = "./ output /", # image_type = "png", # filter_low = 130, # filter_high = 142, # captcha_id = Нет ) # Получить капчу с веб-сайта ... # Создать строку изображения b64 ... # Решить с помощью CAPTCHA22 answer = solver.solve_captcha_b64 (b64_image_string) # Отправьте ответ на сайт и запустите атаку ... Поскольку модель предоставляет JSON API, вы не ограничены Python, если предпочитаете использовать такие инструменты, как cURL, wget или что-нибудь еще. Также предоставляются два примера скриптов взломщика ( baseline и pyppeteer ).Оба этих сценария являются экспериментальными и не подходят для большинства случаев. Базовый сценарий создаст соединение с сервером CAPTCHA22 или локально размещенной моделью перед запросом пути к файлу CAPTCHA. Сценарий pyppeteer будет использовать базовый сценарий и имитировать запросы браузера для поиска и решения CAPTCHA перед запуском атаки входа в систему. Чтобы выполнить один из этих сценариев: взлом клиента captcha22 --script = <имя скрипта> Устранение неисправностей CAPTCHA22 был протестирован на двух установках Tensorflow с графическим процессором со следующими характеристиками: Примеры изображений Характеристики изображения Люди Оценка удобства использования Шумы Перекрытие 9069 9070 Частота вращения % 99 4.8 93 3,7 85 3 33 2 Таблица Буровая установка 1 Буровая установка 2 Графическая карта GeForce GTX 1650 GeForce GTX 960 ОС Ubuntu 16.06 Ubuntu 16.04 Cuda Lib Cuda 10.0.130 Cuda 9.1.1 cuDDN Lib у.е. DNN 10.0 у.е. DNN 7.0 Тензорный поток Tensorflow 1.10.1 Tensorflow 1.4.1 Для получения помощи по любым вопросам в самой CAPTCHA22, пожалуйста, зарегистрируйте проблему. Содействие См. ВКЛАД.md для получения дополнительной информации. Лицензия Лицензия MIT Авторские права (c) 2020 F-SECURE Настоящим предоставляется бесплатное разрешение любому лицу, получившему копию этого программного обеспечения и связанных файлов документации («Программное обеспечение»), на работу с Программным обеспечением без ограничений, включая, помимо прочего, права на использование, копирование, изменение, объединять, публиковать, распространять, сублицензировать и / или продавать копии Программного обеспечения и разрешать лицам, которым предоставляется Программное обеспечение, делать это при соблюдении следующих условий: Приведенное выше уведомление об авторских правах и это уведомление о разрешении должны быть включены во все копии или существенные части Программного обеспечения. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПРЕДОСТАВЛЯЕТСЯ «КАК ЕСТЬ», БЕЗ КАКИХ-ЛИБО ГАРАНТИЙ, ЯВНЫХ ИЛИ ПОДРАЗУМЕВАЕМЫХ, ВКЛЮЧАЯ, НО НЕ ОГРАНИЧИВАЯСЬ, ГАРАНТИЯМИ КОММЕРЧЕСКОЙ ЦЕННОСТИ, ПРИГОДНОСТИ ДЛЯ ОПРЕДЕЛЕННОЙ ЦЕЛИ И НЕЗАЩИТЫ ОТ ИСПОЛЬЗОВАНИЯ. НИ ПРИ КАКИХ ОБСТОЯТЕЛЬСТВАХ АВТОРЫ ИЛИ ВЛАДЕЛЬЦЫ АВТОРСКИХ ПРАВ НЕ НЕСЕТ ОТВЕТСТВЕННОСТИ ЗА ЛЮБЫЕ ПРЕТЕНЗИИ, УБЫТКИ ИЛИ ДРУГИЕ ОТВЕТСТВЕННОСТЬ, БЫЛИ В РЕЗУЛЬТАТЕ ДОГОВОРА, ПРАКТИЧЕСКИХ ПРАВ ИЛИ ИНЫХ СЛУЧАЕВ, ВОЗНИКАЮЩИХ, ВНУТРИ ИЛИ В СВЯЗИ С ПРОГРАММНЫМ ОБЕСПЕЧЕНИЕМ ИЛИ ИСПОЛЬЗОВАНИЕМ ИЛИ ДРУГИМИ ДЕЛАМИ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ. Знаете ли вы, что вы обучаете беспилотные автомобили Google, чтобы они не убивали людей? Да, с помощью решения captcha Когда беспилотные автомобили Google выезжают на оживленные улицы после завершения текущих испытаний, и когда они не убивают пешехода, не сбивают велосипедиста или не переезжают пожарный шланг, вы можете поблагодарить себя.Это потому, что вы научили - и вы обучаете - эти автомобили Google, которые теперь называются автомобилями Waymo, позволяют видеть дороги и все, что на них есть. Да ты. Насколько эти автомобили являются свидетельством изобретательности инженеров Google по аппаратному и программному обеспечению, они также станут продуктом мудрости толпы, которую миллионы онлайн-пользователей, включая вас, ежедневно передают системам Google. Запутались? Не будь. Каждый раз, когда вы решаете Google, поставляемый с помощью Captcha, а Google предоставляет эту Captcha на тысячах популярных веб-сайтов, вы обучаете беспилотные автомобили Google.Конечно, вы, вероятно, этого не знаете. Но задумывались ли вы когда-нибудь, почему в последние два с лишним года капча, которую вы решаете на веб-сайтах для обмена файлами, все чаще включает в себя идентификацию автомобилей на крошечных пиксельных изображениях или распознавание пожарных шлангов, витрин магазинов, велосипедов или автобусов? Это не случайно. Это сделано намеренно, потому что Google хочет, чтобы вы идентифицировали эти изображения, чтобы его системы искусственного интеллекта могли учиться на ваших знаниях. Давайте сделаем шаг назад, прежде чем говорить о том, что стало с Captcha и как Google ее использует.Давайте сначала поговорим о том, что такое Captcha и как Google использовал ее раньше. Краткая история капчи Капча не всегда использовалась в том виде, в каком мы ее помним. Он был введен в начале 2000-х исследователями из Университета Карнеги-Меллона во главе с ученым-компьютерщиком Луисом фон Ан или Биг Лу, и его идея заключалась в том, чтобы отфильтровать спам-ботов, которые выдавали себя за реальных людей. Идея заключалась в том, что роботы не смогут читать кучу букв и цифр, напечатанных в искаженном формате, в отличие от людей.Боты хорошо разбираются в логике. Люди хороши в абстрактном, и напечатанные слова и числа, или, другими словами, изображения можно считать абстрактными. Поэтому исследователи разработали программу, которая будет отображать набор искаженных кодов, чтобы люди могли ввести их и получить доступ к веб-сайту. Код Captcha стал хитом, и вскоре он стал использоваться повсюду во всемирной паутине для сдерживания ботов. Вы, вероятно, все еще найдете их на онлайн-портале IRCTC. Но затем, в 2006 году, у Ана возникла идея использовать капчу для расшифровки старого размазанного текста в архивных текстах.«Поэтому мы спросили:« Можем ли мы сделать что-нибудь полезное с этим временем? », - сказал он в интервью New York Times. Так родилась рекапча. Итак, с 2006 по 2009 год, когда стартап Ана был приобретен Google, когда миллионы интернет-пользователей по всему миру решали коды рекапчи, они в некотором роде работали на New York Times и помогали ему расшифровывать старый размазанный текст - все бесплатно! Google использовал его в Книжном проекте Изобретательность этой технологии произвела впечатление на Google, который, приобретя ее в 2009 году, использовал ее для своего проекта сканирования книг.Это причина, по которой, если вы помните, вы решали головоломки с текстом и числами, решая капчу. Введите слово, которое вы видите, вас спросит сайт. Когда вы вводили слово, оно сопоставлялось с изображением с напечатанными буквами, и системы искусственного интеллекта Google узнавали, какая напечатанная буква или цифра соответствует какой цифровой букве и цифре. По сути, машинное обучение и искусственный интеллект - это выявление закономерностей. Для этого требуются данные, огромное количество данных, которые ни одна технологическая компания не может создать в одиночку.Чтобы получить эти данные, Google решил использовать миллионы кликов, которые онлайн-пользователи делают ежедневно. К концу 2011 года капча помогла Google оцифровать миллионы книг. Когда проект сканирования книг близился к завершению, Google решил дать своим системам искусственного интеллекта и машинного обучения способность распознавать изображения. Вы, должно быть, вспомнили новости о том, что искусственный интеллект Google учится самостоятельно определять кошек. Теперь этот ИИ, используемый в Google Lens, настолько хорош, что может отличить добермана от золотистого ретривера. Изображение Google, идентифицирующее ИИ, также частично помогло миллионам пользователей Интернета. В 2012 году Google изменил капчу, поскольку она была популярна в свое время. Google начал включать изображения в свой код рекапчи. Первоначально все началось с искаженного текста на изображениях, которые онлайн-пользователей просили идентифицировать, чтобы доказать, что они люди. Затем в 2014 году Google представил модифицированную версию рекапчи - без капчи ReCaptcha - для замены старых кодов рекапчи. Эти изображения были, по сути, случайными изображениями, и интернет-пользователей просили идентифицировать похожие на вид изображения, например изображения кошки или изображения дерева, чтобы доказать, что они были настоящими людьми. В последующие годы, когда беспилотные автомобили Google стали важным проектом для компании, «ReCaptcha без капчи» постепенно начала включать в себя головоломки на основе изображений, которые помогли бы системам искусственного интеллекта и машинного обучения, стоящим за этими автомобилями, больше узнать о дорогах на который будет за рулем. Важным моментом в системах искусственного интеллекта является то, что им требуется большой объем данных для практики и обучения. Чем больше данных, тем лучше и точнее они будут. В Google есть специальная команда, работающая над повышением точности систем искусственного интеллекта, работающих в основе автомобилей Waymo.Однако даже эти команды не могут создать объем данных или связанных данных, которые могут генерировать миллионы онлайн-пользователей. Эти связанные данные затем могут быть использованы для обучения его систем искусственного интеллекта различным вещам, от определения уличных знаков до идентификации животных и от определения времени года до обнаружения объекта впереди. Это, в свою очередь, можно использовать для улучшения возможностей принятия решений автомобилем Waymo для доступа и реагирования в различных реальных жизненных ситуациях, например, как он должен реагировать, если на его пути есть корова или если дерево преграждает путь. Может быть, спасибо, Google? Google - не единственная компания, использующая пользовательские данные для обучения своих алгоритмов и систем машинного обучения. Такие компании, как Facebook и Aamzon, тоже делают то же самое. Когда вы загружаете изображение на Facebook, это изображение используется системами Facebook в учебных целях. Это причина, по которой недавно, когда 10 Years Old Challenge стал вирусным, многие говорили, что он предоставляет Facebook такие данные, которые его системы машинного обучения могут использовать для понимания старения.Facebook, однако, отрицает, что он стоит за тенденцией, называя ее спонтанной и популяризованной пользователями, но прямо не сказал, что не будет использовать изображения, загруженные людьми в Instagram, для использования своих систем. Но даже в этом контексте то, как Google использовал капчу, было блестящим решением большой проблемы, с которой сталкивается любая крупная технологическая компания: как получить актуальные и качественные данные. ИИ и системы машинного обучения побеждают людей в таких играх, как Chess and Go, но люди по-прежнему выигрывают - и будут побеждать в течение значительного времени - в задачах, в которых логика либо не работает, либо ее очень сложно применить.Одной из таких задач является идентификация автомобиля на чрезвычайно размытом изображении. Это не означает, что автомобили Google Waymo - это проект, созданный миллионами онлайн-пользователей, или что его книжные проекты основаны на мудрости толпы. Но также бесспорно, что с помощью миллионов онлайн-пользователей, которые решали капчи - и которые до сих пор решают их ежедневно, - инженеры Google смогли быстро и с минимальными вложениями обучить свои системы искусственного интеллекта и машинного обучения. Итак, да, каждый раз, когда вы решали капчу, вы помогали беспилотным автомобилям Google становиться немного умнее. Вы сделали это бесплатно и, скорее всего, сами того не осознали. Вы полагали, что, идентифицируя велосипеды на размытых изображениях, вы просто пытаетесь разблокировать загрузку той песни, которую хотите услышать. Но нет, вы не просто получаете доступ к песне. Вы являетесь частью большой краудсорсинговой системы, которая строит будущее. И хотя вам не платят за это и не платят за это, возможно, Google стоит подумать о том, чтобы отправить вам крошечную благодарственную записку. Об авторе alexxlab administrator Оставить ответ Отменить ответ Рубрики Вложен Вложения Заработ Заработок Начать Новичк Новичкам Разное С чего начать Совет Советы Фриланс © 2019 ICQ Information Center