基于骨架點(diǎn)分割算法的文本驗(yàn)證碼攻擊模型的研究
發(fā)布時(shí)間:2021-08-15 21:52
驗(yàn)證碼,又被稱為區(qū)分人類和計(jì)算機(jī)的圖靈測(cè)試,是世界上使用最為廣泛的公共全自動(dòng)安全程序。驗(yàn)證碼的設(shè)計(jì)目的,在于確保每一個(gè)在網(wǎng)絡(luò)中訪問(wèn)的用戶都是人類而非計(jì)算機(jī)程序。這樣既保證了服務(wù)器能夠服務(wù)于人類,也避免了由程序惡意攻擊而導(dǎo)致的服務(wù)器癱瘓、網(wǎng)絡(luò)秩序的混亂和財(cái)產(chǎn)的損失。目前,驗(yàn)證碼主要包括文本驗(yàn)證碼、語(yǔ)音驗(yàn)證碼、行為驗(yàn)證碼等類型。在眾多的驗(yàn)證碼形式中,文本驗(yàn)證碼由于它的易于設(shè)計(jì)和維護(hù)、代碼體積小等優(yōu)點(diǎn),成為了使用最為廣泛的一種驗(yàn)證碼形式。所以,針對(duì)文本驗(yàn)證碼的自動(dòng)識(shí)別技術(shù)備受關(guān)注。目前文本驗(yàn)證碼采用的防御技術(shù)大致分為復(fù)雜的背景、噪聲、干擾線、扭曲旋轉(zhuǎn)、字符粘連五類。字符粘連是目前的驗(yàn)證碼防御技術(shù)中相對(duì)可靠的一種,此類驗(yàn)證碼內(nèi)的字符通常有10%到50%不等的重疊,且字符的長(zhǎng)度也不固定,無(wú)法通過(guò)預(yù)測(cè)字符的潛在區(qū)域來(lái)分割驗(yàn)證碼。當(dāng)驗(yàn)證碼分割算法無(wú)法準(zhǔn)確分割字符時(shí),分類器的識(shí)別性能會(huì)降低。所以字符粘連型驗(yàn)證碼被廣泛使用。不定長(zhǎng)度的字符粘連型驗(yàn)證碼仍然是驗(yàn)證碼識(shí)別領(lǐng)域的研究熱點(diǎn)。本文針對(duì)字符粘連型文本驗(yàn)證碼,設(shè)計(jì)了一種新的基于骨架分割算法的驗(yàn)證碼攻擊模型,該模型能夠有效地破解字符粘連型文本驗(yàn)證碼。主要...
【文章來(lái)源】:西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:93 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
常見(jiàn)的網(wǎng)絡(luò)驗(yàn)證碼圖片
第一章 緒論1.2 研究問(wèn)題的提出根據(jù)表 1.1 可知,目前主流網(wǎng)站所使用的驗(yàn)證碼技術(shù)多為幾種防御技術(shù)的結(jié)合。單一的驗(yàn)證碼防御技術(shù)在神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力面前,幾乎不具有防御能力[1,6-10]。斯坦福大學(xué)的研究[5]指出,機(jī)器學(xué)習(xí)算法中的 SVM (Support Vector Machine)算法[38]和 KNN (k-NearestNeighbor)算法對(duì)不同字體的字符識(shí)別率最高能達(dá)到 100%,識(shí)別效果詳情參見(jiàn)圖 1.2[5]。在深度學(xué)習(xí)[27]日益發(fā)展的今天,單一的驗(yàn)證碼防御技術(shù)顯得格外脆弱。此外,該研究還指出,在眾多驗(yàn)證碼防御技術(shù)中,字符粘連型驗(yàn)證碼能夠保持較好的效率。所以,“堅(jiān)固”的驗(yàn)證碼可以在粘連字符的基礎(chǔ)上結(jié)合其他驗(yàn)證碼技術(shù)。
[5]。斯坦福大學(xué)實(shí)驗(yàn)室對(duì)不同網(wǎng)站的驗(yàn)證碼做了大量的測(cè)試,得到了圖 1.3 的結(jié)果[5]?梢钥闯,字符粘連是效果最好的驗(yàn)證碼防御技術(shù),其次是干擾線,而復(fù)雜的背景幾乎沒(méi)有作用。
本文編號(hào):3344999
【文章來(lái)源】:西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:93 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
常見(jiàn)的網(wǎng)絡(luò)驗(yàn)證碼圖片
第一章 緒論1.2 研究問(wèn)題的提出根據(jù)表 1.1 可知,目前主流網(wǎng)站所使用的驗(yàn)證碼技術(shù)多為幾種防御技術(shù)的結(jié)合。單一的驗(yàn)證碼防御技術(shù)在神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力面前,幾乎不具有防御能力[1,6-10]。斯坦福大學(xué)的研究[5]指出,機(jī)器學(xué)習(xí)算法中的 SVM (Support Vector Machine)算法[38]和 KNN (k-NearestNeighbor)算法對(duì)不同字體的字符識(shí)別率最高能達(dá)到 100%,識(shí)別效果詳情參見(jiàn)圖 1.2[5]。在深度學(xué)習(xí)[27]日益發(fā)展的今天,單一的驗(yàn)證碼防御技術(shù)顯得格外脆弱。此外,該研究還指出,在眾多驗(yàn)證碼防御技術(shù)中,字符粘連型驗(yàn)證碼能夠保持較好的效率。所以,“堅(jiān)固”的驗(yàn)證碼可以在粘連字符的基礎(chǔ)上結(jié)合其他驗(yàn)證碼技術(shù)。
[5]。斯坦福大學(xué)實(shí)驗(yàn)室對(duì)不同網(wǎng)站的驗(yàn)證碼做了大量的測(cè)試,得到了圖 1.3 的結(jié)果[5]?梢钥闯,字符粘連是效果最好的驗(yàn)證碼防御技術(shù),其次是干擾線,而復(fù)雜的背景幾乎沒(méi)有作用。
本文編號(hào):3344999
本文鏈接:http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3344999.html
最近更新
教材專著