Rezolvarea CAPTCHelor cu ajutorul învățării automate pentru a permite cercetarea pe web-ul întunecat

Un proiect de cercetare academică comun din Statele Unite a dezvoltat o metodă pentru a ocoli testele CAPTCHA*, raportând o performanță mai bună decât soluțiile actuale de învățare automată, folosind rețele generative adversariale (GAN) pentru a decoda provocările vizuale complexe.

Testând noul sistem împotriva celor mai bune cadre actuale, cercetătorii au constatat că metoda lor atinge o rată de succes de peste 94,4% pe un set de date din lumea reală, atent selecționat, și a demonstrat capacitatea de a “elimina implicarea umană” atunci când navighează pe un marketplace emergent din Dark Net, protejat de CAPTCHA, rezolvând automat provocările CAPTCHA în maximum trei încercări.

Flux de lucru pentru DW-GAN. Sursă: https://arxiv.org/pdf/2201.02799.pdf

Autorii susțin că abordarea lor reprezintă o descoperire pentru cercetătorii în domeniul securității cibernetice, care, în mod tradițional, au trebuit să suporte costurile implicării unor persoane în proces pentru a rezolva manual CAPTCHAs, de obicei prin intermediul platformelor de crowdsourcing, cum ar fi Amazon Mechanical Turk (AMT).

Dacă sistemul se dovedește a fi adaptabil și rezilient, el poate deschide calea pentru sisteme de supraveghere mai automate și pentru indexarea și extragerea de date din rețelele TOR. Acest lucru ar putea permite analize la scară largă și dezvoltarea de noi abordări și tehnici de securitate cibernetică, care, până în prezent, au fost limitate de firewalls CAPTCHA.

Articolul științific se intitulează Contracararea CAPTCHelor textuale de pe web-ul întunecat cu învățare adversativă generativă pentru inteligență proactivă de amenințare cibernetică și provine de la cercetători de la Universitatea din Arizona, Universitatea din Florida de Sud și Universitatea din Georgia.

Implicații

Deoarece sistemul – numit Dark Web-GAN (DW-GAN, disponibil pe GitHub) – pare a fi mult mai performant decât predecesorii săi, există posibilitatea ca el să fie utilizat ca o metodă generală pentru a depăși (de obicei, mai puțin dificil) materialul CAPTCHA de pe web-ul standard, fie în această implementare specifică, fie pe baza principiilor generale prezentate în articolul nou. Din cauza spațiului de stocare limitat pe GitHub, totuși, este necesar în prezent să contactați autorul principal, Ning Zhang, pentru a obține datele asociate cu framework-ul.

Deoarece DW-GAN are o “misiune pozitivă” pentru a sparge CAPTCHAs (la fel cum TOR a avut inițial o misiune pozitivă pentru a proteja comunicațiile militare și, mai târziu, jurnaliștii), și deoarece CAPTCHAs sunt atât o apărare legitimă (frecvent și controversat utilizate de gigantul CDN CloudFlare) și un instrument preferat al piețelor ilegale de pe web-ul întunecat, abordarea este, în mod evident, o “tehnologie de nivelare”.

Autorii înșiși recunosc că DW-GAN are utilizări mai largi:

‘[În timp ce] acest studiu se axează în principal pe CAPTCHAs de pe web-ul întunecat, ca o problemă mai dificilă, metoda propusă în acest studiu se așteaptă a fi aplicabilă și altor tipuri de CAPTCHAs, fără pierderea generalității.’

Presupunând că DW-GAN, sau un sistem similar, ar trebui să devină larg răspândit și evident pentru a determina piețele de pe web-ul întunecat să caute soluții mai puțin rezolvabile de mașini, sau cel puțin să evolueze periodic configurările CAPTCHA, un scenariu de “război rece”.

Motivații

După cum observă articolul, web-ul întunecat este principala sursă de informații despre atacuri cibernetice, care se estimează că vor costa economia globală 10.000 de miliarde de dolari până în 2025. Prin urmare, rețelele onion rămân un mediu relativ sigur pentru comunitățile ilegale de pe web-ul întunecat, care pot respinge atacatorii prin diverse metode, inclusiv expirarea sesiunilor, cookie-uri și autentificare utilizator.

Două tipuri de CAPTCHA, ambele folosind fundaluri ofuscate și litere înclinate pentru a le face mai puțin citibile de mașini.

Cu toate acestea, autorii observă că niciunul dintre aceste obstacole nu este atât de mare ca seria de CAPTCHAs care punctează experiența de navigare într-o “comunitate sensibilă”:

‘În timp ce majoritatea acestor măsuri pot fi ocolite eficient prin implementarea de măsuri automate într-un program de crawlers, CAPTCHA este cea mai împiedicătoare măsură anti-crawling pe web-ul întunecat, care nu poate fi ușor ocolită din cauza capacităților cognitive ridicate, de care instrumentele de automatizare sunt adesea lipsite.’

CAPTCHAs textuale nu sunt singura opțiune disponibilă; există variante, familiare multora dintre noi, care solicită utilizatorului să interpreteze video, audio și, în special, imagini. Cu toate acestea, după cum observă autorii, CAPTCHAs textuale sunt în prezent provocarea aleasă pentru piețele de pe web-ul întunecat, și un punct de plecare natural pentru a face rețelele TOR mai sensibile la analiza mașinilor.

Arhitectură

Deși o abordare anterioară de la Universitatea din Northwest, China, a utilizat Rețele Adversative Generative pentru a deriva modele de caracteristici de la platformele CAPTCHA, autorii noului articol observă că această metodă se bazează pe interpretarea unei imagini rasterizate, și nu pe o examinare mai profundă a literelor recunoscute în provocare; și că eficacitatea DW-GAN nu este afectată de lungimea variabilă a cuvintelor fără sens (și a numerelor) care sunt, de obicei, găsite în CAPTCHAs de pe web-ul întunecat.

DW-GAN utilizează o conductă cu patru etape: mai întâi imaginea este capturată și apoi transmisă unui modul de eliminare a zgomotului de fundal care utilizează un GAN antrenat pe mostre CAPTCHA adnotate, și care este, prin urmare, capabil să distingă literele de fundalul perturbat pe care se află. Literele extrase sunt apoi filtrate suplimentar pentru a elimina orice zgomot rămas după extragerea bazată pe GAN.

Următoarea etapă este segmentarea textului extras, care este apoi divizat în ceea ce pare a fi caractere constitutive, utilizând algoritmi de detectare a conturului.

Segmentarea caracterelor izolează grupul de pixeli și încearcă recunoașterea cu urmărirea marginilor.

În final, “segmentele de caractere ghicite” sunt supuse recunoașterii caracterelor prin intermediul unei Rețele Neuronale Convolutive (CNN).

Uneori, caracterele se pot suprapune, o spațiere negativă extremă concepută în mod special pentru a înșela sistemele mașinilor. DW-GAN utilizează, prin urmare, segmentarea bazată pe intervale pentru a îmbunătăți și a izola marginile, separând eficient caracterele. Deoarece cuvintele sunt, de obicei, fără sens, nu există niciun context semantic care să ajute la acest proces.

Rezultate

DW-GAN a fost testat împotriva imaginilor CAPTCHA din trei seturi de date diverse de pe web-ul întunecat, precum și împotriva unui popular sintetizator CAPTCHA. Piețele de pe web-ul întunecat din care provin imaginile au inclus două magazine de carding, Rescator-1 și Rescator-2, și un set nou de la o piață emergentă numită Yellow Brick (care a fost raportat a dispărut ulterior în urma desființării DarkMarket).

Exemple de CAPTCHAs din cele trei seturi de date, precum și din sintetizatorul CAPTCHA open source.

Conform autorilor, datele utilizate în testare au fost recomandate de experți în Inteligență de Amenințare Cibernetică (CTI) pe baza difuzării lor largi în piețele de pe web-ul întunecat.

Testarea fiecărui set de date a implicat dezvoltarea unui spider TOR care să colecteze 500 de imagini CAPTCHA, care au fost ulterior etichetate și selectate de consilierii CTI.

Au fost concepute trei experimente. Primul a evaluat performanța generală a DW-GAN în depășirea CAPTCHAs în comparație cu metodele standard actuale. Metodele rivale au fost CNN la nivel de imagine cu preprocesare, implicând conversia în tonuri de gri, normalizare și netezire Gaussiană, un efort academic comun din Iran și Regatul Unit; CNN la nivel de caracter cu segmentare bazată pe intervale; și CNN la nivel de imagine, de la Universitatea din Oxford, Regatul Unit.

Rezultatele DW-GAN pentru primul experiment, comparate cu abordările actuale de ultimă generație.

Cercetătorii au constatat că DW-GAN a reușit să îmbunătățească rezultatele anterioare în toate cazurile (vezi tabelul de mai sus).

Al doilea experiment a fost un studiu de ablație, în care diverse componente ale cadrului activ au fost eliminate sau dezactivate pentru a exclude posibilitatea ca factori externi sau secundari să influențeze rezultatele.

Rezultatele studiului de ablație.

Și aici, autorii au constatat că dezactivarea unor secțiuni cheie ale arhitecturii a redus performanța DW-GAN în majoritatea cazurilor (vezi tabelul de mai sus).

Al treilea experiment offline a comparat eficacitatea DW-GAN împotriva unei metode bazate pe imagine și a două metode la nivel de caracter, pentru a determina în ce măsură evaluarea caracterelor DW-GAN a influențat utilitatea sa în cazurile în care un cuvânt CAPTCHA fără sens era de lungime arbitrară (și nu predefinită). În aceste cazuri, lungimea CAPTCHA varia între 4 și 7 caractere.

Pentru acest experiment, autorii au utilizat un set de antrenare de 50.000 de imagini CAPTCHA, cu 5.000 rezervate pentru testare într-un mod obișnuit de divizare 90/10.

Și aici, DW-GAN a depășit abordările anterioare:

Testul live pe o piață de pe web-ul întunecat

În final, DW-GAN a fost implementat împotriva pieței Yellow Brick de pe web-ul întunecat (care era în funcțiune la momentul respectiv). Pentru acest test, a fost dezvoltat un browser web TOR care a integrat DW-GAN în capacitățile sale de navigare, parsând automat provocările CAPTCHA.

În acest scenariu, o CAPTCHA a fost prezentată crawler-ului automat pentru fiecare 15 cereri HTTP, în medie. Crawler-ul a reușit să indexeze 1.831 de articole ilegale pentru vânzare în Yellow Brick, inclusiv 1.223 de produse legate de droguri (inclusiv opioid și cocaină), 44 de pachete de hacking și nouă scanări de documente false. În total, sistemul a reușit să identifice 286 de articole legate de securitatea cibernetică, inclusiv 102 carduri de credit furate și 131 de date de autentificare furate. Autorii afirmă că DW-GAN a rezolvat în toate cazurile CAPTCHA în cel mult trei încercări. În 76 de minute de timp de procesare, DW-GAN a reușit să rezolve CAPTCHAs care protejau toate cele 1.831 de produse. Nu a fost necesară intervenția umană, iar nu s-au înregistrat cazuri de eșec la punctul final.

Autorii observă apariția unor provocări care oferă un nivel mai mare de sofisticare decât CAPTCHAs textuale, inclusiv unele care par modelate după teste Turing, și remarcă faptul că DW-GAN ar putea fi îmbunătățit pentru a se adapta la aceste noi tendințe pe măsură ce devin populare.

*Testul Public Turing complet automatizat pentru a distinge computerele de oameni

Publicat pentru prima dată pe 11 ianuarie 2022.