人机识别技术再升级，AIGC为验证码带来万亿种新变化

Posted 2023-04-23 顶象技术

网上输入关键词“破解验证码”，会出现1740万个搜索结果。“验证码识别、轻松破解、暴力破解、逻辑漏洞破解、简单破解”等等各类关键词的内容，不一而足，关于“如何用破解某某验证码”的帖子更是多如牛毛。

2017年，绍兴警方成功破获了全国首例利用AI（人工智能）犯罪、侵犯公民个人信息案。犯罪嫌疑人杨某通过运用人工智能机器深度学习技术，可以让程序软件如ALPHAGO一样自主操作识别，有效识别图片验证码，又快又准，很短时间就能识别出上千上万个验证码，而且能够识别出98%以上的验证码，轻松绕过互联网公司设置的验证码安全策略。
验证码作为人机交互界面经常出现的关键要素，是身份核验、防范风险、数据反爬的重要组成部分，广泛应用网站、App上，在注册、登录、交易、交互等各类场景中发挥着巨大作用，具有真人识别、身份核验的功能，在保障账户安全方面也具有重要作用，由此也成为黑灰产攻克破解的重要目标。为了破解验证码，黑灰产利用各种技术和手段快速批量快速破解，以满足批量注册、批量登录、恶意盗取等不法操作的需要。

黑灰产破解验证码的常见方式

黑灰产破解验证码的手段多样化，但主要是机器破解和人工打码两种。

机器破解主要是通过识别图片中的相关验证要素来进行破解，例如识别滑动验证码的缺口，点选验证码中的文字要素和数字要素，其主要技术手段是图像处理，图像二值化，模拟滑动轨迹等相关技术。

黑灰产破解验证码的过程

第一步，首先制作网络爬虫工具，到各个验证码平台爬取验证码的图片素材。

第二步，生成验证码图片素材的模型库：例如旋转类验证码，生成图片旋转模型库；滑动类验证码，生成图片滑动模型库；拼图类验证码，生成图片拼接模型库等等，以此类推。

第三步，遇到需要破解的验证码，程序迅速识别是哪类验证码：滑动？拼接？点选？旋转？计算等等。

第四步，使用相似度算法，检索此前验证码模型库，并快速定位到相近的图片；

第五步，模拟人类操作，旋转/滑动/选择/计算/拼接图片至目标角度；

第六步，骗过验证码的核验，获得通过凭证。

机器破解的前期爬取图片、建模的的工作量很大，技术门槛高。因此，黑灰产另一种门槛较低的破解方式“人工打码”就应运而生。

第一步，建立或寻找一个任务平台；

第二步，任务发布者（一般是黑灰产），将获取到的验证码信息封装成任务提交到打码平台；

第三步，打码平台作为中间的任务调度者，将发布的任务调度给领取任务的平台用户（专门做验证码验证标注的人）；

第四步，任务领取者，完成验证码的标注，然后将标注结果返回给任务平台；

第五步，任务发布者（黑灰产）模拟人类用户，拿着标注的验证码进行验证；

第六步，骗过验证码的核验，获得通过凭证。

人工打码有一个很明显的缺点是单次请求耗时高，因为其破解的速度效率严重依赖于标注者的破解速度。

人机识别的攻与防

综合来看，黑灰产破解验证码主要是基于验证资源的穷举以及识别，具有自动化攻击、手段多、破解速度快、破解验证码形式多等特点。

第一、自动化攻击。黑灰产使用自动化程序进行验证码破解，这种程序可以模拟人类操作，不断尝试多种可能性，并通过机器学习等技术对验证码进行分析和识别。

第二、攻击手段多。黑灰产使用多种攻击方式，如字典攻击、暴力破解、文本识别、人工智能攻击等，以提高攻击的成功率。

第三、破解速度快。黑灰产使用高速攻击技术，使其得以在短时间内尝试大量的可能性，以达到破解验证码的目的。

第四、破解形式广。黑灰产可以攻击各种类型的验证码，包括文字、数字、图片、语音等多种形式，甚至是复杂的混合验证码。

验证码要做好防守，必须针对黑灰产破解的时效性和高效性特点展开。

1、加快验证码图库更新。高频率的生产图片保证新的验证图片实时更新，从根源上杜绝打码平台拖库。这样就导致黑灰产的标注者，需要源源不断地对新验证图片进行验证，极大增加了黑灰产的识别与破解成本。

2、提升验证要素识别难度。基于深度学习和神经网络，生成一些难以被预测和重复的图片、元素，并在验证过程中加入时间戳或者随机数等动态变化的因素，增加破解的难度，有效抵御机器破解。

3、基于验证环境信息进行防御。在验证码的验证环节采集有辨识度的环境信息，配置规则和策略来，筛选出可能是黑灰产的请求进行二次验证或拦截。例如，判断完成验证时的验证环境信息和token上报时的验证环境信息是否一致，对多次恶意攻击的IP地址进行拦截，限制验证码输入的次数等。

图片

AIGC加持，给验证码带来革命性变化

AIGC，全名“AI generated content”，又称生成式AI，意为人工智能生成内容，具有文本续写，文字转图像、数字主持人等应用。其原理是利用人工智能技术中的自然语言处理、机器学习、深度学习等技术，对大量的语言数据进行分析、学习和模拟，从而实现对自然语言的理解和生成。AIGC起源于20世纪90年代，直到2022年OpenAI推出ChatGPT3.5后，才被广为所知。

AIGC技术给验证码的研发和应用带来了很多新的价值，不仅提升用户体验，带来新的验证方式，更增强验证码的安全性，当然也给验证安全带来新的安全挑战。

1、无限生产验证图片。通过AIGC能够文本描述快速生成对应图像，减少时间成本和工作量。无限量的图像素材，使得基于遍历图库的破解方式失效，大大增强验证码的破解难度。而且AIGC能够根据企业业务场景，生成个性化定制验证码图片。在拼图、旋转、滑动等验证方式下，如果黑灰产不知道验证图片，就无法完成破解。

2、创造新型验证方式。利用AIGC，可以优化已有的验证方式，甚至创造出一些对用户友好、但机器识别难度较高的新型验证码。比如，常见的滑块验证码，由于为了保证有足够识别度，目标缺口的像素与周围的像素需要有一些差异，因而往往非常容易识别，进而轻易判断出滑块的目标位置，因而安全性并不高。利用AIGC，可以设计出没有缺口的滑块验证码，要判断出目标位置需要理解图像的语义，由此增加黑灰产的破解难度。

图片

传统的带有缺口的验证码图片

图片

AIGC生成的无缺口的验证码图片

再比如，谷歌的reCAPTCHA，实际上可以视为一个目标检测的问题，对于机器视觉来说并不困难。但若改为给定一句文字描述，“找出九宫格中符合该描述的图片”，就可以将目标检测升级为语义匹配，对于机器而言，难度提升了多个数量级。

图片谷歌的reCAPTCHA示例：点选包含道路的图片

图片AIGC生成的图文语义匹配验证码图片

3、增加黑灰产破解成本。基于AIGC技术生产图片或文字相对容易，但要匹配文字和图片是相对困难的。AIGC规模化的生成海量图片有一定随机性且不可逆，黑灰产要破解验证码，就需要理解图像的语义，这就需要使用到大语言模型和超大算力，成本非常高，而且大语言模型并不能开箱即用，需要二次配置定义，大部分的黑灰产并不具备利用大模型做破解模型的能力。

4、良好改善用户体验。基于AIGC生成的图像具有高度的精准度，进一步提升验证码的用户体验。例如，空间语义验证方式中，基于AIGC生成的图片3D效果更为逼真，更便于用户识别空间信息。同时，也会让验证码提供商摒弃艺术字、数字字母变体等影响用户体验的验证方式，在不影响用户体验的同时，增加机器识别的难度。

图片
AIGC生成3D效果图示例

图片
AIGC生成3D效果图示例

5、推动企业提升验证码的安全对抗性。此外，黑产也可以利用AIGC增强破解能力。基于AIGC，黑灰产不再需要采集验证码厂商的图库并打标，就能训练模型识别各种艺术字。具体来说，黑灰产可以利用AIGC自动生成大量汉字对应的各种样式的艺术字，作为数据集训练模型，使该模型能够非常鲁棒地识别任何风格的艺术字。也许在不久的将来，艺术字验证码这种验证方式将完全失效。由此，进一步推动验证码企业提升验证方式的安全性和对抗性。

图片

为防范黑灰产，顶象构建了专属AIGC平台

顶象构建了一个基于Stable Diffusion模型专属AGIC平台，由百余个GPU的小型计算集群组成。该模型基于Latent Diffusion Models（潜在扩散模型，LDMs）的文图生成（text-to-image），根据文本描述，自动快速海量地生成相应图片。

具体来说，Stable Diffusion模型使用LDMs来从文本描述中提取相应的语义信息，然后将其投入到扩散过程中，由此产生随机的潜在向量，这些向量接着通过逆变换网络（inverse transformation network）转换为图像。扩散过程基于连续时间的马尔可夫链（Markov chain），采用随机漫步的方式进行迭代，并且每一次迭代都会增加一定的噪声。噪声的引入能够使得生成的图像具有更多的随机性和多样性，增加模型的创造力。同时，该模型还使用了自适应步长的方法，以在较短的时间内快速生成高分辨率的图像。

图片Stable Diffusion模型应用原理

Stable Diffusion良好解决时间成本和经济成本问题。如果要生成一张1024*1024尺寸的图像，Latent Diffusion通过在一个潜在表示空间（Latent Space）中迭代“去噪”，然后将表示结果解码为完整的图像，让文图生成能够在消费级GPU上以10秒级别的时间生成图片，大大降低了业务落地门槛。

图片
AGIC+无感验证，让安全与体验兼得

顶象无感验证集成的就是Stable Diffusion文本到图像生成开源模型。作为首个使用AIGC技术的业务安全产品，顶象无感验证在五个方面有显著提升。

1、风险拦截率提升19%。使用静态图库作为验证码图片时，图库更新一周以后，爬虫的拦截防御能力会出现明显的效果衰减，一个月左右，恶意爬虫通过率会达到20%。使用AIGC生成图片后，爬虫通过验证通过率立即下降至0.8%以下，且长时间维持在1%以内。相比之前静态图库的情况下，AIGC大幅提高了验证难度和防御能力。

使用静态图库时，恶意爬虫的通过率

图片
使用AIGC图库时，恶意爬虫的通过率

2、管理员配置效率提升50%。原先使用静态图片时，需要管理人员进行手动调整配置的图集、图标库等要素，现在AIGC自动生成的图集直接减少多个配置环节，效率提升50%。

图片AIGC可自动生成

3、用户辨识度提升70%。在我们组织的AIGC和静态图片的对比实验中，85%的参与者认为使用AIGC生成的主题图片更加生动和丰富；在与视觉设计师调查中，92%的人表示喜欢使用AIGC生成的图片；在我们的另外一个对比实验中，100名非深度验证码使用者，观看使用AIGC生成的主题图片和使用传统3D模型生成的静态主题图片，结果显示，AIGC生成的主题图片辨识度提升了70%。

85%人认为AIGC图片更加生动和丰富

92%的人喜欢使用AIGC生成的图片

4、黑灰产破解成本增加10倍。使用静态图库时，因为验证码图集有限，攻击者只需定期爬取主题图片，然后针对性地打标训练新的识别模型，就可快速破解。AIGC技术能够生成海量图片，且有一定随机性且不可逆，使攻击者打标训练成本可增加10倍以上，大幅增加机器破解的难度。

6、图片的生产数量提升8640倍。使用静态图库时，验证码企业需要一个月更新一次图库，每次更新图片几百到几千张，平均每天只能设计几十张图。使用AIGC后，以单个GPU计算机为例，利用AIGC技术20秒就可以生成一张图片。使用100个GPU的小型计算集群，一天就可以生成43万2000张新的图片，一个月可以生成超过1000万张新图片。AIGC的生产能力是人工制图的8640倍。

图片AIGC与人工单日生产图片的数量对比

顶象无感验证集成13种验证方式，多种防控策略，汇集了4380条风险策略、112类风险情报、覆盖24个行业、118种风险类型，防控精准度>99.9%，1天内便可实现从风险到情报的转化，行业风险感知能力实力加强，同时支持安全用户无感通过，实时对抗处置能力更是缩减至60s内。帮助企业在登录、注册、支付等场景中实现快速验证身份，大大提高了服务体验的便捷性和效率。

后续，AIGC能力将集成到顶象防御云各个模块，应用到各个行业和场景中。作为国内首个使用AIGC的业务安全企业，顶象展示了AIGC技术在业务安全领域的广泛应用和巨大潜力，促进整个行业的技术创新和发展。通过AIGC技术在验证码等业务安全产品上的落地，顶象将为客户提供更加安全和可靠的服务，将帮助企业更好地抵御各类风险与威胁，助力业务健康发展。

业务安全大讲堂：立即报名

业务安全产品：免费试用

业务安全交流群：加入畅聊

百度旋转验证码及同类型旋转验证码的识别思路

百度旋转验证码及同类型旋转验证码的0~20毫秒小模型识别思路

11弟弟搞百度旋转验证码的心酸

• 具体讲解识别思路

---

百度拖动旋转验证码被破解？当代流行的人机验证到底安不安全？

---

提示：以下是皆为学习交流之，如有侵权 ，望通知删帖

一、百度旋转验证是什么？

这是你在百度网站各处能看到的一种人机验证方式，该验证为了防止各种爬虫设计的。图片如下（示例）：

你会发现我发的图片是正的

因为是通过代码纠正的

二、具体流程

1.采集图片

要做识别，第一步想都不用想肯定是采集图片

而现在百度有个机制就是第二次使用图片链接或者被检测到会覆盖文字水印

所以第一步肯定是扣js， post，get获取图片链接采集图片

另一种累手的方法引荐这位大佬的链接：OpenCV挑战百度拖动旋转图片

但是估计他的思路对一般人还是有点难度

本文讲解识别图片部分这部分就靠大家自己努力了

而由于我们需要各个角度的图片

所以需要采集不重样的图片之后用代码进行旋转样本增容

2.具体思路

(1),找原图，识别角度

这是我早期的思路，具体细分又分为两种

那我就结合一下市面上的大部分思路说一下这两部分的各自思路

·········找原图··········

~1，汇编对比找到原图

~2，机械学习找原图

·········取角度··········

~1，与不断旋转的原图进行对比取相似度最大的角度，即是正确角度

~2，预先存入特征值，获取当前图片的特征值与原图360个角度的特征值循环进行角度提取

(2),直接机械学习识别角度

~~~~~~~~~~~~~~~~~~~~~~~~~这是我目前使用的方法~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

但是想对之前的方法样本集过大，训练也对显卡是不小的负担

样本集大小

样本量属实有点大

手动打样本就累傻了

看到各位大佬有不用的机械学习方法

我比较傻，自己写了一个工具，因为gpu现在太贵了，而且cpu训练速度不一定比gpu慢

主要时间都在打样本上，时间训练大概cpu也就10分钟不到

由于识别速度不是很让人满意，

后期又改小了模型，效果十分不错，识别率到现在未发现错误 姑且算100%,但是未来更新会不会有影响，这个目前不可测

识别速度大概在0~20ms范围内，模型大小为4865kb，不足5mb

最终效果

 

对最终效果我还是比较满意的达到了我预期的效果

---

总结

识别速度大概在0~20ms范围内，模型大小为4865kb，不足5mb

识别率到现在未发现错误 姑且算100%,但是未来更新会不会有影响，这个目前不可测

如有疑问请联系

十一弟弟           的QQ:1119372179

我黄瓜哥哥       的QQ：908383407

十一弟弟玩识别的群  ：154936924

编程喵终极     交流群：747776374