基于深度学习的CAPTCHA识别网络与分组战略
Zaid Derea1,2, Beiji Zou1, Asma A Al-Shargabi3,4
1School of Computer Science and Engineering, Central South University, Changsha 410083, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究引入了一种使用卷积神经网络 (CNN) 进行基于文本的CAPTCHA识别的新方法. 这种方法有效地将人类用户与机器人区分开来,增强网站对互联网攻击的安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 网站使用CAPTCHA (完全自动化的公共图灵测试来区分计算机和人类) 来防止机器人攻击.
- 基于文本的CAPTCHA是常见的,但对先进的深度学习模型越来越脆弱.
- 卷积神经网络 (CNN) 在图像识别任务方面取得了显著进展.
研究的目的:
- 开发一种有效和高效的方法来识别基于文本的CAPTCHA.
- 解决深度学习模型的挑战,绕过传统的CAPTCHA安全性.
- 提出一种基于CNN的方法,这种方法在计算上是高效的,并且需要最小的存储空间.
主要方法:
- 提出了一种使用CNN的新型CAPTCHA识别方法.
- 生成重复的CAPTCHA图像与二进制字符位置编码.
- 美联储连续复制图像进入训练有素的CNN以输出字符.
- 设计了一个简单的CNN架构,避免了个别字符的细分.
主要成果:
- 拟议的CNN模型在识别CAPTCHA字符方面表现出高准确度.
- 这种方法尽管在深度学习能力方面取得了进展,但仍是有效的.
- 该模型的简单架构和低存储要求得到了验证.
结论:
- 基于CNN的CAPTCHA识别方法是有效和准确的.
- 这种方法提供了一种可行的解决方案,用于增强网站安全,防止自动攻击.
- 该方法为传统的CAPTCHA细分技术提供了有效的替代方案.
