Risolvere i CAPTCHA con l’apprendimento automatico per abilitare la ricerca sul Dark Web

Un progetto di ricerca accademica congiunto degli Stati Uniti ha sviluppato un metodo per superare i test CAPTCHA*, riferendo di superare le soluzioni di apprendimento automatico attuali più avanzate utilizzando le Reti Adversarie Generative (GAN) per decodificare le sfide visivamente complesse.

Testando il nuovo sistema contro i migliori framework attuali, i ricercatori hanno scoperto che il loro metodo raggiunge più del 94,4% di successo su un set di dati del mondo reale curato con attenzione, e si è dimostrato in grado di ‘eliminare il coinvolgimento umano’ quando si naviga in un mercato emergente Dark Net protetto da CAPTCHA, risolvendo automaticamente le sfide CAPTCHA in un massimo di tre tentativi.

Flusso di lavoro per DW-GAN. Fonte: https://arxiv.org/pdf/2201.02799.pdf

Gli autori sostengono che il loro approccio rappresenta una svolta per i ricercatori di sicurezza informatica, che tradizionalmente hanno dovuto sostenere i costi di fornire esseri umani nel loop per risolvere manualmente i CAPTCHA, di solito attraverso piattaforme di crowdsourcing come Amazon Mechanical Turk (AMT).

Se il sistema può dimostrarsi adattabile e resistente, potrebbe ulteriormente aprire la strada a sistemi di supervisione più automatizzati e all’indicizzazione e allo scraping delle reti TOR. Ciò potrebbe consentire analisi su larga scala e ad alto volume, nonché lo sviluppo di nuovi approcci e tecniche di sicurezza informatica, che sono state ostacolate fino ad ora dai firewall CAPTCHA.

Il documento è intitolato Contrastare il CAPTCHA testuale del Dark Web con l’apprendimento avversario generativo per l’intelligence delle minacce informatiche proattive e proviene da ricercatori dell’Università dell’Arizona, dell’Università della Florida meridionale e dell’Università della Georgia.

Implicazioni

Poiché il sistema – chiamato Dark Web-GAN (DW-GAN, disponibile su GitHub) – sembra essere così più performante dei suoi predecessori, c’è la possibilità che verrà utilizzato come metodo generale per superare il (di solito meno difficile) materiale CAPTCHA sul web standard, sia in questa specifica implementazione che in base ai principi generali delineati nel nuovo documento. A causa della limitata capacità di archiviazione su GitHub, tuttavia, attualmente è necessario contattare l’autore principale Ning Zhang per ottenere i dati associati al framework.

Perché DW-GAN ha una ‘missione positiva’ per rompere i CAPTCHA (proprio come TOR aveva inizialmente una missione positiva per proteggere le comunicazioni militari e, in seguito, i giornalisti), e poiché i CAPTCHA sono sia una legittima difesa (spesso e controversamente utilizzata dal gigante CDN CloudFlare) che uno strumento preferito dei mercati oscuri del web illegale, l’approccio è argomentabile come una ‘tecnologia di livellamento’.

Gli autori stessi ammettono che DW-GAN ha utilizzi più ampi:

‘[Mentre] questo studio si concentra principalmente sul CAPTCHA del web oscuro come problema più impegnativo, il metodo proposto in questo studio è previsto essere applicabile ad altri tipi di CAPTCHA senza perdita di generalità.’

Presumibilmente DW-GAN, o un sistema simile, dovrebbe diventare ampiamente e palesemente diffuso per indurre i mercati oscuri del web a cercare soluzioni meno risolvibili dalle macchine, o almeno a evolvere periodicamente le loro configurazioni CAPTCHA, uno scenario di ‘guerra fredda’.

Motivazioni

Come osserva il documento, il web oscuro è la principale fonte di intelligenza sugli hacker relativi agli attacchi informatici, che sono stimate costare all’economia globale 10 trilioni di dollari USA entro il 2025. Pertanto, le reti onion rimangono un ambiente relativamente sicuro per le comunità oscure del web illegale, che possono respingere gli attacchi con vari metodi, tra cui timeout di sessione, cookie e autenticazione utente.

Due tipi di CAPTCHA, entrambi utilizzano sfondi offuscati e caratteri inclinati per renderli meno leggibili dalle macchine.

Tuttavia, gli autori osservano che nessuno di questi ostacoli è così grande come la serie di CAPTCHA che punteggiano l’esperienza di navigazione in una ‘sensibile’ comunità:

‘Mentre la maggior parte di queste misure può essere efficacemente aggirata implementando contromisure automatizzate in un programma di crawling, il CAPTCHA è la misura anti-crawling più ostacolante nel web oscuro che non può essere facilmente aggirata a causa delle elevate capacità cognitive che sono spesso non possedute dagli strumenti di automazione’

I CAPTCHA testuali non sono l’unica opzione disponibile; ci sono varianti, familiari a molti di noi, che sfidano l’utente a interpretare video, audio e soprattutto immagini. Tuttavia, come osservano gli autori, il CAPTCHA testuale è attualmente la sfida scelta per i mercati oscuri del web, e un punto di partenza naturale per rendere le reti TOR più suscettibili all’analisi delle macchine.

Architettura

Sebbene un approccio precedente dell’Università del Nord-Ovest in Cina abbia utilizzato le Reti Adversarie Generative per derivare modelli di caratteristiche dalle piattaforme CAPTCHA, gli autori del nuovo documento notano che questo metodo si basa sull’interpretazione di un’immagine rasterizzata, piuttosto che su un esame più approfondito dei caratteri riconosciuti nella sfida; e che l’efficacia di DW-GAN non è influenzata dalla lunghezza variabile delle parole senza senso (e dei numeri) che sono tipicamente presenti nei CAPTCHA del web oscuro.

DW-GAN utilizza una pipeline a quattro fasi: in primo luogo, l’immagine viene catturata e quindi inviata a un modulo di denoising dello sfondo che utilizza un GAN addestrato su campioni CAPTCHA annotati, e quindi in grado di distinguere i caratteri dallo sfondo perturbato su cui si trovano. I caratteri estratti vengono quindi ulteriormente filtrati per rimuovere eventuali rumori residui dopo l’estrazione basata su GAN.

Successivamente, viene eseguita la segmentazione del testo estratto, che viene quindi suddivisa in ciò che sembrano essere caratteri costituenti, utilizzando algoritmi di rilevamento dei contorni.

La segmentazione dei caratteri isola il gruppo di pixel e tenta il riconoscimento con la tracciatura dei bordi.

Infine, i segmenti di caratteri ‘indovinati’ vengono sottoposti a riconoscimento dei caratteri tramite una rete neurale convoluzionale (CNN).

A volte i caratteri possono sovrapporsi, un iper-accostamento progettato specificamente per ingannare i sistemi di macchina. DW-GAN utilizza quindi la segmentazione basata su intervalli per migliorare e isolare i bordi, separando efficacemente i caratteri. Poiché le parole sono di solito senza senso, non c’è contesto semantico per aiutare in questo processo.

Risultati

DW-GAN è stato testato contro immagini CAPTCHA da tre set di dati diversi del web oscuro, nonché un popolare sintetizzatore CAPTCHA. I mercati oscuri del web da cui provenivano le immagini comprendevano due negozi di carding, Rescator-1 e Rescator-2, e un set nuovo da un mercato emergente chiamato Yellow Brick (che è stato segnalato essere scomparso in seguito alla chiusura di DarkMarket).

Esempi di CAPTCHA dai tre set di dati, nonché il sintetizzatore CAPTCHA open source.

Secondo gli autori, i dati utilizzati nel test sono stati raccomandati dagli esperti di Cyber Threat Intelligence (CTI) in base alla loro ampia diffusione nei mercati oscuri del web.

Il test di ogni set di dati ha comportato lo sviluppo di un ragno TOR che raccoglieva 500 immagini CAPTCHA, che sono state successivamente etichettate e curate dagli advisor CTI.

Sono stati progettati tre esperimenti. Il primo ha valutato le prestazioni generali di DW-GAN nel superare i CAPTCHA rispetto ai metodi standard attuali. I metodi rivali sono stati CNN a livello di immagine con pre-elaborazione, che coinvolge la conversione in scala di grigi, la normalizzazione e l’addolcimento gaussiano, uno sforzo accademico congiunto dell’Iran e del Regno Unito; CNN a livello di carattere con segmentazione basata su intervalli; e CNN a livello di immagine, dell’Università di Oxford nel Regno Unito.

Risultati da DW-GAN per il primo esperimento, confrontati con gli approcci precedenti di stato dell’arte.

I ricercatori hanno scoperto che DW-GAN è stato in grado di migliorare i risultati precedenti in tutti gli aspetti (vedi tabella sopra).

Il secondo esperimento è stato uno studio di ablazione, in cui vari componenti del framework attivo vengono rimossi o disabilitati per escludere la possibilità che fattori esterni o secondari influenzino i risultati.

Risultati dello studio di ablazione.

Anche in questo caso, gli autori hanno scoperto che disabilitare sezioni chiave dell’architettura riduce le prestazioni di DW-GAN nella maggior parte dei casi (vedi tabella sopra).

Il terzo esperimento offline ha confrontato l’efficacia di DW-GAN contro un metodo basato su immagini e due metodi a livello di carattere, al fine di determinare la misura in cui la valutazione dei caratteri di DW-GAN influenza la sua utilità nei casi in cui una parola CAPTCHA senza senso è di lunghezza arbitraria (piuttosto che predefinita). In questi casi, la lunghezza del CAPTCHA variava tra 4 e 7 caratteri.

Per questo esperimento, gli autori hanno utilizzato un set di addestramento di 50.000 immagini CAPTCHA, con 5.000 riservate per il test in una divisione tipica 90/10.

Anche in questo caso, DW-GAN ha superato gli approcci precedenti:

Test dal vivo su un mercato del Dark Net

Infine, DW-GAN è stato distribuito contro il mercato del web oscuro Yellow Brick (allora attivo). Per questo test, è stato sviluppato un browser web TOR che integrava DW-GAN nelle sue capacità di navigazione, analizzando automaticamente le sfide CAPTCHA.

In questo scenario, un CAPTCHA è stato presentato al crawler automatizzato per ogni 15 richieste HTTP, in media. Il crawler è stato in grado di indicizzare 1.831 articoli illegali in vendita su Yellow Brick, tra cui 1.223 prodotti correlati alla droga (compresi oppiacei e cocaina), 44 pacchetti di hacking e nove scansioni di documenti contraffatti. Nel complesso, il sistema è stato in grado di identificare 286 articoli correlati alla sicurezza informatica, tra cui 102 carte di credito trafugate e 131 login di account rubati. In tutti i casi, DW-GAN è stato in grado di rompere un CAPTCHA in tre o meno tentativi, e sono stati necessari 76 minuti di tempo di elaborazione per gestire i CAPTCHA che proteggevano tutti i 1.831 prodotti. Non sono stati necessari interventi umani e non si sono verificati casi di guasto di endpoint.

Gli autori notano l’emergere di sfide che offrono un livello di sofisticazione maggiore rispetto ai CAPTCHA testuali, tra cui alcune che sembrano modellate sui test di Turing, e osservano che DW-GAN potrebbe essere migliorato per adattarsi a queste nuove tendenze man mano che diventano popolari.

*Test di Turing pubblico completamente automatizzato per distinguere i computer dagli esseri umani

Pubblicato per la prima volta l’11 gennaio 2022.