对抗样本技术在验证码中的安全性研究

发布时间：2020-12-16 12:15

　　验证码作为网络安全的第一道屏障,其重要程度不言而喻。毋庸置疑的是验证码通常要求具有较高的安全性,其中主要在于验证码面对多种攻击情况下依旧可以准确地区分合法与非法用户。目前,卷积神经网络的高速发展使得许多验证码的安全性大大降低,一些新型验证码甚至选择牺牲可用性从而保证安全性。而近期关于对抗样本的研究似乎给验证码领域带来了新的契机,研究表明对抗样本可以通过在原图中添加人类不易察觉的扰动而成功地愚弄目前最先进的卷积神经网络,这一性质恰好符合验证码安全性与可用性的要求。本文基于以上思考,分别将对抗样本应用于三种目前常用的验证码形式中,进行对抗样本技术在验证码中的安全性研究,主要内容包括以下三方面:(1)将对抗样本应用于图片选择验证码中,利用两种对抗样本生成算法以及三种网络生成不同数据样本,另外通过验证实验证明对抗样本的有效性;在安全性分析部分,分别从预训练权重直接分类、二次训练网络分类、开源接口直接分类三方面尝试破解,以及大批量的人工测试用户友好性;接着从生成网络的差异性、对抗样本占比影响、有无目标对抗样本结合、混合数据集以及图像去噪技术带来的影响五个角度进一步讨论分析。实验结果表明对抗样本确... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

R-CNN算法框架图

它将不同尺寸的特征图分别进行 4×4、2×2 以及 1×1 的划分，然后分别最大池化并进行拼接合并，这样不论输入尺寸为多少，输出都是相同的。图2.8 空间金字塔池化层[47]图2.9 Fast R-CNN 算法框架图[42]在空间金字塔池化层的思路下，Fast R-CNN 被提出[42]，他的结构图如图 2.9 所示。其中的 ROI Pooling 层就相当于空间金字塔池化层，对每一个候选框，经过池化之后，获得全连接层的特征向量，然后分别送入类别分类以及边界框回归两个任务分支，同时进行训练学习。相比 R-CNN 方法，Fast R-CNN 的不同在于加入了金字塔池

13图2.9 Fast R-CNN 算法框架图[42]在空间金字塔池化层的思路下，Fast R-CNN 被提出[42]，他的结构图如图 2.9。其中的 ROI Pooling 层就相当于空间金字塔池化层，对每一个候选框，经过池后，获得全连接层的特征向量，然后分别送入类别分类以及边界框回归两个任务，同时进行训练学习。相比 R-CNN 方法，Fast R-CNN 的不同在于加入了金字塔


本文编号：2920131