身份认证技术 课件 第五章 人机区分.pptx

第五章人机区分;目录CONTENTS;01;1;02;2;;2.1验证码特性;在设计验证码时需要全面分析考虑验证码可用性和安全性的平衡：

注意统计实验的用户数量足够，统计应该具有普遍性；

追求安全性的同时，充分考虑到各种验证码方案形式，以尽可能改善用户体验。;2.2验证码分类;;;文本验证码;向用户提供多张候选图片及一段提示语句，要求用户按照提示语句选择符合要求的图片。完成此类验证码主要依赖人类的物体分类能力，即快速判断图像中物体所属类别。;基于物体分类的图像验证码;基于细节感知的图像验证码;基于视觉推理的图像验证码;基于语义提取的图像验证码;;音频验证码;游戏验证码;游戏验证码;滑动验证码要求用户通过鼠标滑动滑块，以控制图块位置或图形旋转角度，最终完成图块复原或将图形旋转至指定角度。;腾讯;网易;拖拽验证码;行为验证码;;对抗验证码

为了解决传统验证码易被机器学习攻击的问题，对抗验证码应运而生；

2017年，Osadchy等人首次将对抗样本应用于验证码设计，提出一种基于物体分类的对抗图像验证码——DeepCAPTCHA。;2.3验证码安全性;2)端到端攻击

分步破解方法虽然能够成功破解文本验证码，但是其步骤相对繁琐，且每一步的结果会直接影响下一步的效果，导致最终整体的破解成功率非常不稳定。

能否对单张验证码所有文本进行一次性端到端识别，成为了新的讨论焦点。

RNN和注意力机制的提出，解决了这个问题。

传统的CNN虽然无法对多个字符同步识别，但是引入长短期记忆LSTM、RNN之后的深度神经网络，能够对字符序列进行时序处理，从而达到完整识别的目的。;①CRNN

将卷积神经网络（CNN）和循环神经网络（RNN）相结合，首先使用卷积神经网络进行验证码图像的特征提取工作，其次使用循环神经网络的不同存储单元连接文本序列，计算每个字符的权重。;②注意力机制

赖于循环神经网络在特征序列上产生注意力向量，然后按顺序对每个字符进行分类，以实现特征提取到分类的一步操作。

随着图像分辨率升高，神经网络处理图像分类任务时计算量成线性增长，借鉴人类处理图像时利用直觉注意力把握重点信息的思路，深度学习中提出提取关键信息，联合构建整体信息的Attention机制。;③MaskR-CNN

结合实例分割的深度对象检测网络也可以处理基于文本的验证码破解工作，如FasterRCNN网络。该方法从检测网络输出的物体边界框和分类标签学习物体定位和分类，测试时即可完成字符定位到分类的一步实现。

增加了用于提高分类精度的Mask分支，根据分类得到的物体种类选择Mask产生二值掩模，最终分类取决于掩模预测。这样避免了类间竞争，达到了比其他目标检测网络更高的精确度。;④迁移学习

基于深度学习的方法虽然高效，但是由于深度识别模型需要大量样本集来完成训练，而在现实情况中，受到网页多方限制，收集真实样本并非易事，且对收集到的数据进行标签标注也需要耗费人力成本。

如何解决模型对样本的需求从而真正提高破解效率成为了新的破解瓶颈。迁移学习的应用有效解决了这个难题。;图像验证码安全性;图像验证码安全性;图像验证码安全性;图像验证码安全性;音频验证码安全性;其他验证码安全性;;03;短信验证码