Mengatasi CAPTCHAs dengan Pembelajaran Mesin untuk Mengaktifkan Penelitian Dark Web

Sebuah proyek penelitian akademis bersama dari Amerika Serikat telah mengembangkan metode untuk mengalahkan tes CAPTCHA*, yang dilaporkan mengungguli solusi pembelajaran mesin serupa yang ada saat ini dengan menggunakan Jaringan Adversarial Generatif (GAN) untuk mendekode tantangan visual yang kompleks.

Pengujian sistem baru melawan kerangka kerja terbaik saat ini menunjukkan bahwa metode ini mencapai lebih dari 94,4% keberhasilan pada dataset benchmark dunia nyata yang dirawat dengan hati-hati, dan terbukti mampu ‘menghilangkan keterlibatan manusia’ saat menavigasi Dark Net Marketplace yang sangat dilindungi CAPTCHA, secara otomatis menyelesaikan tantangan CAPTCHA dalam tiga upaya atau kurang.

Alur Kerja untuk DW-GAN. Sumber: https://arxiv.org/pdf/2201.02799.pdf

Penulis berpendapat bahwa pendekatan mereka mewakili terobosan bagi peneliti keamanan siber, yang secara tradisional harus menanggung biaya menyediakan manusia dalam lingkaran untuk menyelesaikan CAPTCHAs secara manual, biasanya melalui platform penggunaan seperti Amazon Mechanical Turk (AMT).

Jika sistem ini dapat terbukti dapat disesuaikan dan tangguh, maka ini dapat membuka jalan bagi sistem pengawasan yang lebih otomatis, serta untuk pengindeksan dan web scraping jaringan TOR. Ini dapat memungkinkan analisis skala besar dan volume tinggi, serta pengembangan pendekatan dan teknik keamanan siber baru, yang hingga saat ini terhambat oleh firewall CAPTCHA.

Makalah ini berjudul Counteracting Dark Web Text-Based CAPTCHA with Generative Adversarial Learning for Proactive Cyber Threat Intelligence, dan berasal dari peneliti di University of Arizona, University of South Florida, dan University of Georgia.

Implikasi

Karena sistem – yang disebut Dark Web-GAN (DW-GAN, tersedia di GitHub) – tampaknya jauh lebih performatif daripada pendahulunya, ada kemungkinan bahwa ini akan digunakan sebagai metode umum untuk mengatasi (biasanya kurang sulit) bahan CAPTCHA pada web standar, baik dalam implementasi khusus ini atau berdasarkan prinsip-prinsip umum yang digariskan dalam makalah baru. Namun, karena keterbatasan penyimpanan di GitHub, saat ini perlu menghubungi penulis utama Ning Zhang untuk mendapatkan data yang terkait dengan kerangka kerja.

Karena DW-GAN memiliki ‘misi positif’ untuk mengalahkan CAPTCHAs (seperti TOR sendiri yang awalnya memiliki misi positif untuk melindungi komunikasi militer dan, kemudian, jurnalis), dan karena CAPTCHAs adalah baik pertahanan yang sah (sering dan kontroversial digunakan oleh raksasa CDN CloudFlare) dan alat favorit pasar gelap web yang tidak sah, pendekatan ini secara argumentatif merupakan ‘teknologi pemasyarakatan’.

Penulis sendiri mengakui bahwa DW-GAN memiliki kegunaan yang lebih luas:

‘[Sementara] studi ini terutama berfokus pada CAPTCHA web gelap sebagai masalah yang lebih menantang, metode yang diusulkan dalam studi ini diharapkan dapat diterapkan pada jenis CAPTCHA lain tanpa kehilangan keumuman.’

Presumably DW-GAN, atau sistem serupa, perlu menjadi luas dan jelas menyebar untuk memicu pasar gelap web mencari solusi yang kurang dapat dipecahkan oleh mesin, atau setidaknya untuk mengembangkan konfigurasi CAPTCHA secara berkala, skenario ‘perang dingin’.

Motivasi

Seperti yang diamati dalam makalah, web gelap adalah sumber utama intelijen peretasan yang terkait dengan serangan siber, yang diperkirakan akan menelan biaya $10 triliun USD bagi perekonomian global pada tahun 2025. Oleh karena itu, jaringan bawang tetap menjadi lingkungan yang relatif aman bagi komunitas web gelap yang tidak sah, yang dapat menolak penyerang dengan berbagai metode, termasuk timeout sesi, cookie, dan autentikasi pengguna.

Dua jenis CAPTCHA, keduanya menggunakan latar belakang yang mengaburkan dan penulisan miring untuk membuatnya kurang dapat dibaca oleh mesin.

Namun, penulis mengamati, tidak ada hambatan yang begitu besar seperti sekumpulan CAPTCHAs yang memenuhi pengalaman browsing di komunitas ‘sensitif’:

‘Sementara sebagian besar tindakan ini dapat diatasi secara efektif dengan menerapkan tindakan otomatis dalam program crawler, CAPTCHA adalah tindakan anti-crawling yang paling menghambat di web gelap yang tidak dapat dengan mudah diatasi karena kemampuan kognitif yang sering tidak dimiliki oleh alat otomatis.’

CAPTCHAs berbasis teks bukanlah satu-satunya pilihan yang tersedia; ada varian, yang akrab bagi banyak dari kita, yang menantang pengguna untuk menafsirkan video, audio, dan terutama gambar. Namun, seperti yang diamati oleh penulis, CAPTCHA berbasis teks saat ini merupakan tantangan pilihan untuk pasar gelap web, dan titik awal alami untuk membuat jaringan TOR lebih rentan terhadap analisis mesin.

Arsitektur

Meskipun pendekatan sebelumnya dari Northwest University di Cina menggunakan Jaringan Adversarial Generatif untuk menghasilkan pola fitur dari platform CAPTCHA, penulis makalah baru mencatat bahwa metode ini bergantung pada interpretasi gambar yang diraster, bukan pemeriksaan yang lebih dalam dari huruf yang dikenali dalam tantangan; dan bahwa efektivitas DW-GAN tidak dipengaruhi oleh panjang kata nonsens yang bervariasi (dan angka) yang biasanya ditemukan dalam CAPTCHAs web gelap.

DW-GAN menggunakan pipa empat tahap: pertama, gambar ditangkap, dan kemudian diberikan ke modul denoising latar belakang yang menggunakan GAN yang telah dilatih pada sampel CAPTCHA yang dianotasi, dan oleh karena itu dapat membedakan huruf dari latar belakang yang terganggu yang mereka tempati. Huruf yang diekstrak kemudian difilter lebih lanjut dari kebisingan yang tersisa setelah ekstraksi berbasis GAN.

Setelah itu, segmentasi dilakukan pada teks yang diekstrak, yang kemudian dipecah menjadi apa yang tampak seperti karakter konstituen, menggunakan algoritma deteksi kontur.

Segmentasi karakter mengisolasi grup piksel dan mencoba pengenalan dengan pelacakan batas.

Akhirnya, segmen karakter ‘tebak’ tersebut dikenai pengenalan karakter melalui Jaringan Saraf Konvolusional (CNN).

Terkadang karakter dapat tumpang tindih, sebuah hyper-kerning yang dirancang khusus untuk menipu sistem mesin. DW-GAN oleh karena itu menggunakan segmentasi berbasis interval untuk meningkatkan dan mengisolasi batas, secara efektif memisahkan karakter. Karena kata-kata biasanya tidak masuk akal, tidak ada konteks semantik untuk membantu dalam proses ini.

Hasil

DW-GAN diuji melawan gambar CAPTCHA dari tiga dataset web gelap yang beragam, serta sintetisator CAPTCHA populer. Pasar gelap dari mana gambar asli berasal terdiri dari dua toko kartu, Rescator-1 dan Rescator-2, dan satu set baru dari pasar yang sedang muncul yang disebut Yellow Brick (yang dilaporkan kemudian menghilang setelah penutupan DarkMarket).

Contoh CAPTCHAs dari tiga dataset, serta sintetisator CAPTCHA sumber terbuka.

Menurut penulis, data yang digunakan dalam pengujian direkomendasikan oleh ahli Intelijen Ancaman Siber (CTI) berdasarkan penyebaran luas mereka di pasar gelap web.

Pengujian setiap dataset melibatkan pengembangan laba-laba TOR yang ditugaskan untuk mengumpulkan 500 gambar CAPTCHA, yang kemudian diberi label dan dirawat oleh penasihat CTI.

Tiga eksperimen dirancang. Yang pertama mengevaluasi kinerja DW-GAN dalam mengalahkan CAPTCHA secara umum melawan metode SOTA standar. Metode rival adalah CNN tingkat gambar dengan pra-pengolahan, yang melibatkan konversi grayscale, normalisasi, dan penghalusan Gaussian, sebuah upaya akademis bersama dari Iran dan Inggris; CNN tingkat karakter dengan segmentasi berbasis interval; dan CNN tingkat gambar, dari University of Oxford di Inggris.

Hasil dari DW-GAN untuk eksperimen pertama, dibandingkan dengan pendekatan SOTA sebelumnya.

Peneliti menemukan bahwa DW-GAN dapat meningkatkan hasil sebelumnya di seluruh papan (lihat tabel di atas).

Eksperimen kedua adalah studi ablasion, di mana berbagai komponen kerangka kerja aktif dihapus atau dinonaktifkan untuk menghilangkan kemungkinan bahwa faktor eksternal atau sekunder mempengaruhi hasil.

Hasil studi ablasion.

Di sini juga, penulis menemukan bahwa menonaktifkan bagian kunci arsitektur mengurangi kinerja DW-GAN dalam hampir semua kasus (lihat tabel di atas).

Eksperimen ketiga membandingkan efektivitas DW-GAN melawan metode berbasis gambar dan dua metode tingkat karakter, untuk menentukan seberapa besar evaluasi karakter DW-GAN mempengaruhi kegunaannya dalam kasus di mana kata CAPTCHA nonsens adalah panjang arbitrer (bukan pra-tentu). Dalam kasus ini, panjang CAPTCHA bervariasi antara 4 hingga 7 karakter.

Untuk eksperimen ini, penulis menggunakan set pelatihan 50.000 gambar CAPTCHA, dengan 5.000 yang dipesan untuk pengujian dalam split 90/10 yang khas.

Di sini juga, DW-GAN mengungguli pendekatan sebelumnya:

Pengujian Langsung di Pasar Gelap Web

Akhirnya, DW-GAN diterapkan pada (saat itu hidup) pasar gelap web Yellow Brick. Untuk pengujian ini, sebuah browser web TOR dikembangkan yang mengintegrasikan DW-GAN ke dalam kemampuan browsing, secara otomatis memarsing tantangan CAPTCHA.

Dalam skenario ini, CAPTCHA disajikan kepada crawler otomatis untuk setiap 15 permintaan HTTP, rata-rata. Crawler dapat mengindeks 1.831 item ilegal yang dijual di Yellow Brick, termasuk 1.223 produk terkait narkoba (termasuk opioid dan kokain), 44 paket peretasan, dan sembilan pemindaian dokumen palsu. Secara total, sistem dapat mengidentifikasi 286 item terkait keamanan siber, termasuk 102 kartu kredit yang dicuri dan 131 login akun yang dicuri. Dalam semua kasus, DW-GAN dapat mengalahkan CAPTCHA dalam tiga upaya atau kurang, dan 76 menit waktu pemrosesan diperlukan untuk menghitung CAPTCHAs yang melindungi semua 1.831 produk. Tidak ada intervensi manusia yang diperlukan, dan tidak ada kasus kegagalan titik akhir yang terjadi.

Penulis mencatat munculnya tantangan yang menawarkan tingkat kesulitan yang lebih besar daripada CAPTCHAs teks, termasuk beberapa yang tampaknya dimodelkan pada tes Turing, dan mengamati bahwa DW-GAN dapat ditingkatkan untuk menampung tren baru ini seiring popularitasnya.

*tes Turing Publik yang sepenuhnya otomatis untuk membedakan Komputer dan Manusia

Dipublikasikan pertama kali pada 11 Januari 2022.