การแก้ CAPTCHA ด้วยการเรียนรู้ของเครื่องเพื่อสนับสนุนการวิจัยดาร์กเว็บ

โครงการวิจัยร่วมทางวิชาการจากสหรัฐอเมริกาได้พัฒนาวิธีผ่านการทดสอบ CAPTCHA* โดยรายงานว่าทำได้ดีกว่าวิธีการเรียนรู้ของเครื่องระดับแนวหน้าที่คล้ายกัน ด้วยการใช้เครือข่ายปฏิปักษ์เชิงกำเนิด (GAN) เพื่อถอดรหัสโจทย์ที่มีความซับซ้อนทางภาพ

เมื่อทดสอบกับระบบระดับแนวหน้าที่ใช้อยู่ นักวิจัยพบว่าวิธีนี้มีอัตราความสำเร็จมากกว่า 94.4% บนชุดข้อมูลมาตรฐานจากโลกจริงที่คัดสรรอย่างรอบคอบ และสามารถ “ขจัดความจำเป็นที่มนุษย์ต้องเข้ามามีส่วนร่วม” ขณะสำรวจตลาดดาร์กเน็ตที่เพิ่งเกิดขึ้นและมี CAPTCHA ป้องกันอย่างเข้มงวด โดยแก้โจทย์ CAPTCHA อัตโนมัติได้ภายในไม่เกินสามครั้ง

ขั้นตอนการทำงานของ DW-GAN ที่มา: https://arxiv.org/pdf/2201.02799.pdf

ผู้เขียนเห็นว่าแนวทางนี้เป็นความก้าวหน้าสำหรับนักวิจัยด้านความมั่นคงปลอดภัยไซเบอร์ ซึ่งเดิมต้องรับภาระค่าใช้จ่ายในการใช้คนเข้ามาช่วยแก้ CAPTCHA ด้วยตนเอง โดยมักใช้แพลตฟอร์มจัดหางานจากมวลชน เช่น Amazon Mechanical Turk (AMT)

หากระบบพิสูจน์ได้ว่าปรับตัวและทนต่อการเปลี่ยนแปลงได้ ก็อาจปูทางสู่ระบบเฝ้าติดตามอัตโนมัติมากขึ้น รวมถึงการทำดัชนีและการเก็บเนื้อหาเว็บจากเครือข่าย TOR ซึ่งอาจช่วยให้วิเคราะห์ข้อมูลปริมาณมากในระดับที่ขยายได้ ตลอดจนพัฒนาแนวทางและเทคนิคความมั่นคงปลอดภัยไซเบอร์ใหม่ ๆ ที่จนถึงขณะนี้ยังถูกจำกัดด้วยแนวป้องกัน CAPTCHA

บทความวิจัยมีชื่อว่า Counteracting Dark Web Text-Based CAPTCHA with Generative Adversarial Learning for Proactive Cyber Threat Intelligence จัดทำโดยนักวิจัยจาก University of Arizona, University of South Florida และ University of Georgia

นัยของงานวิจัย

เนื่องจากระบบที่เรียกว่า Dark Web-GAN (DW-GAN ซึ่งมีให้บน GitHub) ดูเหมือนจะมีประสิทธิภาพเหนือกว่าระบบก่อนหน้ามาก จึงอาจถูกใช้เป็นวิธีทั่วไปเพื่อผ่าน CAPTCHA บนเว็บปกติ ซึ่งโดยทั่วไปยากน้อยกว่า ไม่ว่าจะใช้ระบบนี้โดยตรงหรือใช้หลักการทั่วไปที่บทความใหม่อธิบาย อย่างไรก็ตาม เนื่องจาก GitHub มีข้อจำกัดด้านพื้นที่จัดเก็บ ในขณะนั้นจึงจำเป็นต้องติดต่อ Ning Zhang ผู้เขียนหลักเพื่อขอข้อมูลที่เกี่ยวข้องกับระบบ

DW-GAN มีภารกิจ “เชิงบวก” ในการแก้ CAPTCHA เช่นเดียวกับที่ TOR เดิมมีภารกิจเชิงบวกในการปกป้องการสื่อสารทางทหาร และต่อมาคือผู้สื่อข่าว ขณะเดียวกัน CAPTCHA เป็นทั้งกลไกป้องกันที่ชอบด้วยกฎหมาย ซึ่ง CloudFlare ผู้ให้บริการ CDN รายใหญ่ใช้อย่างแพร่หลายและเป็นที่ถกเถียง และเป็นเครื่องมือที่ตลาดดาร์กเว็บผิดกฎหมายนิยมใช้ด้วย จึงอาจมองแนวทางนี้ได้ว่าเป็นเทคโนโลยีที่ช่วยปรับสมดุล

ผู้เขียนเองยอมรับว่า DW-GAN มีขอบเขตการใช้งานกว้างกว่าโจทย์นี้:

“[แม้ว่า] งานศึกษานี้มุ่งเน้น CAPTCHA บนดาร์กเว็บซึ่งเป็นปัญหาท้าทายกว่าเป็นหลัก แต่คาดว่าวิธีที่เสนอในงานนี้จะสามารถนำไปใช้กับ CAPTCHA ประเภทอื่นได้โดยไม่สูญเสียความเป็นวิธีทั่วไป”

คาดว่า DW-GAN หรือระบบที่คล้ายกันจะต้องแพร่หลายอย่างกว้างขวางและเห็นได้ชัดก่อน จึงจะกระตุ้นให้ตลาดดาร์กเว็บหาวิธีป้องกันที่เครื่องแก้ได้ยากขึ้น หรืออย่างน้อยปรับการตั้งค่า CAPTCHA เป็นระยะ เกิดเป็นสถานการณ์คล้าย “สงครามเย็น”

แรงจูงใจ

ดังที่บทความระบุ ดาร์กเว็บเป็นแหล่งสำคัญของข่าวกรองเกี่ยวกับแฮกเกอร์และการโจมตีไซเบอร์ ซึ่งมีการประมาณการว่าจะสร้างความเสียหายต่อเศรษฐกิจโลก 10 ล้านล้านดอลลาร์สหรัฐภายในปี 2025 เครือข่าย onion จึงยังเป็นสภาพแวดล้อมที่ค่อนข้างปลอดภัยสำหรับชุมชนดาร์กเน็ตผิดกฎหมาย ซึ่งสามารถกันผู้บุกรุกด้วยวิธีต่าง ๆ เช่น การหมดเวลาเซสชัน คุกกี้ และการยืนยันตัวผู้ใช้

CAPTCHA สองประเภท ต่างใช้พื้นหลังรบกวนและตัวอักษรเอียงเพื่อให้เครื่องอ่านได้ยากขึ้น

อย่างไรก็ตาม ผู้เขียนเห็นว่าอุปสรรคเหล่านี้ไม่ร้ายแรงเท่าชุด CAPTCHA ที่ขัดจังหวะการท่องเว็บในชุมชน “อ่อนไหว”:

“แม้มาตรการส่วนใหญ่จะหลีกเลี่ยงได้อย่างมีประสิทธิภาพด้วยการใส่มาตรการรับมืออัตโนมัติไว้ในโปรแกรมเก็บเนื้อหาเว็บ แต่ CAPTCHA เป็นมาตรการต่อต้านการเก็บเนื้อหาอัตโนมัติที่เป็นอุปสรรคมากที่สุดบนดาร์กเว็บ ไม่อาจผ่านได้ง่ายเพราะต้องใช้ความสามารถด้านการรับรู้ในระดับสูง ซึ่งเครื่องมืออัตโนมัติมักไม่มี”

CAPTCHA แบบข้อความไม่ใช่ทางเลือกเดียว ยังมีรูปแบบที่หลายคนคุ้นเคย ซึ่งให้ผู้ใช้ตีความวิดีโอ เสียง และโดยเฉพาะภาพ อย่างไรก็ดี ผู้เขียนระบุว่า CAPTCHA แบบข้อความเป็นโจทย์ที่ตลาดดาร์กเว็บนิยมเลือกในขณะนั้น และเป็นจุดเริ่มต้นที่เหมาะสมในการทำให้เครือข่าย TOR สามารถถูกวิเคราะห์ด้วยเครื่องได้มากขึ้น

สถาปัตยกรรม

แม้แนวทางก่อนหน้าจาก Northwest University ในจีนจะใช้ GAN เพื่อหารูปแบบคุณลักษณะจากแพลตฟอร์ม CAPTCHA แต่ผู้เขียนบทความใหม่ระบุว่าวิธีนั้นอาศัยการตีความภาพแบบราสเตอร์ แทนที่จะตรวจสอบตัวอักษรที่รู้จำได้ในโจทย์อย่างลึกซึ้งกว่า ส่วนประสิทธิภาพของ DW-GAN ไม่ได้รับผลจากความยาวที่เปลี่ยนไปของคำไร้ความหมายและตัวเลขที่มักปรากฏใน CAPTCHA บนดาร์กเว็บ

DW-GAN มีขั้นตอนการทำงานสี่ช่วง ขั้นแรกเก็บภาพแล้วส่งให้โมดูลลดสัญญาณรบกวนพื้นหลัง ซึ่งใช้ GAN ที่ฝึกด้วยตัวอย่าง CAPTCHA ที่มีป้ายกำกับ จึงสามารถแยกตัวอักษรออกจากพื้นหลังรบกวนที่รองรับอยู่ หลังการสกัดด้วย GAN ตัวอักษรที่ได้จะถูกกรองอีกครั้งเพื่อขจัดสัญญาณรบกวนที่เหลือ

ถัดมาเป็นการแบ่งส่วนข้อความที่สกัดได้ โดยใช้อัลกอริทึมตรวจหาเส้นขอบเพื่อแบ่งออกเป็นส่วนที่ดูเหมือนตัวอักษรแต่ละตัว

การแบ่งส่วนตัวอักษรแยกกลุ่มพิกเซลและพยายามรู้จำโดยติดตามเส้นขอบ

ท้ายที่สุด ส่วนตัวอักษรที่ “คาดเดา” ได้จะถูกส่งให้โครงข่ายประสาทแบบคอนโวลูชัน (CNN) เพื่อรู้จำตัวอักษร

บางครั้งตัวอักษรอาจซ้อนทับกัน เป็นการบีบระยะห่างระหว่างตัวอักษรอย่างมากโดยตั้งใจหลอกระบบเครื่อง DW-GAN จึงใช้การแบ่งส่วนตามช่วงระยะเพื่อปรับและแยกเส้นขอบ ทำให้แยกตัวอักษรออกจากกันได้อย่างมีประสิทธิภาพ เนื่องจากคำมักไม่มีความหมาย จึงไม่มีบริบททางความหมายมาช่วยในกระบวนการนี้

ผลลัพธ์

DW-GAN ถูกทดสอบกับภาพ CAPTCHA จากชุดข้อมูลดาร์กเว็บสามชุดที่แตกต่างกัน รวมทั้งโปรแกรมสังเคราะห์ CAPTCHA ที่ได้รับความนิยม แหล่งภาพประกอบด้วยร้านขายข้อมูลบัตรสองแห่ง คือ Rescator-1 และ Rescator-2 รวมถึงชุดใหม่จากตลาดที่เพิ่งเกิดขึ้นในเวลานั้นชื่อ Yellow Brick ซึ่งมีรายงานว่าภายหลังหายไปหลังการปิด DarkMarket

ตัวอย่าง CAPTCHA จากชุดข้อมูลทั้งสามและโปรแกรมสังเคราะห์ CAPTCHA แบบโอเพนซอร์ส

ผู้เขียนระบุว่าผู้เชี่ยวชาญด้านข่าวกรองภัยคุกคามไซเบอร์ (CTI) แนะนำข้อมูลที่ใช้ทดสอบ โดยพิจารณาจากการแพร่หลายของข้อมูลเหล่านี้ในตลาดดาร์กเน็ต

การทดสอบแต่ละชุดข้อมูลมีการพัฒนาโปรแกรมเก็บเนื้อหาที่เข้าถึง TOR เพื่อรวบรวมภาพ CAPTCHA 500 ภาพ จากนั้นที่ปรึกษา CTI จึงติดป้ายกำกับและคัดสรรภาพเหล่านั้น

มีการออกแบบการทดลองสามชุด ชุดแรกประเมินความสามารถทั่วไปของ DW-GAN ในการผ่าน CAPTCHA เทียบกับวิธีระดับแนวหน้า วิธีเปรียบเทียบได้แก่ CNN ระดับภาพที่มีการประมวลผลล่วงหน้า ซึ่งแปลงภาพเป็นระดับสีเทา ปรับให้อยู่ในมาตรฐาน และทำให้เรียบด้วยตัวกรองเกาส์เซียน เป็นผลงานร่วมทางวิชาการจากอิหร่านและสหราชอาณาจักร; CNN ระดับตัวอักษร ที่ใช้การแบ่งส่วนตามช่วงระยะ; และ CNN ระดับภาพ จาก University of Oxford ในสหราชอาณาจักร

ผลการทดลองชุดแรกของ DW-GAN เทียบกับแนวทางระดับแนวหน้าก่อนหน้านี้

นักวิจัยพบว่า DW-GAN ปรับปรุงผลได้ดีกว่าวิธีเดิมในทุกกรณี ดังตารางด้านบน

การทดลองที่สองเป็นการศึกษาแบบตัดองค์ประกอบออก โดยนำส่วนต่าง ๆ ของระบบที่ใช้งานอยู่ออกหรือปิดไว้ เพื่อแยกความเป็นไปได้ที่ปัจจัยภายนอกหรือปัจจัยรองจะมีอิทธิพลต่อผล

ผลการศึกษาแบบตัดองค์ประกอบออก

เช่นกัน ผู้เขียนพบว่าการปิดส่วนสำคัญของสถาปัตยกรรมทำให้ประสิทธิภาพ DW-GAN ลดลงในเกือบทุกกรณี ดังตารางด้านบน

การทดลองออฟไลน์ชุดที่สามเปรียบเทียบประสิทธิผลของ DW-GAN กับวิธีมาตรฐานระดับภาพและวิธีระดับตัวอักษรสองวิธี เพื่อดูว่าการประเมินตัวอักษรของ DW-GAN ส่งผลต่อประโยชน์ของระบบเพียงใด เมื่อคำ CAPTCHA ไร้ความหมายมีความยาวตามอำเภอใจแทนที่จะกำหนดไว้ล่วงหน้า ในกรณีเหล่านี้ CAPTCHA มีความยาวตั้งแต่ 4 ถึง 7 ตัวอักษร

ผู้เขียนใช้ชุดฝึก 50,000 ภาพ CAPTCHA และกันไว้ทดสอบ 5,000 ภาพ ตามการแบ่งแบบ 90/10 ที่ใช้กันทั่วไป

DW-GAN ทำได้ดีกว่าวิธีเดิมในการทดลองนี้เช่นกัน:

ทดสอบจริงบนตลาดดาร์กเน็ต

สุดท้าย DW-GAN ถูกนำไปใช้กับตลาด Yellow Brick ซึ่งยังเปิดดำเนินการอยู่ในขณะนั้น การทดสอบนี้ใช้เว็บเบราว์เซอร์ Tor ที่พัฒนาขึ้นโดยผสาน DW-GAN เข้ากับความสามารถในการท่องเว็บเพื่อวิเคราะห์โจทย์ CAPTCHA อัตโนมัติ

ในสถานการณ์นี้ โปรแกรมเก็บเนื้อหาอัตโนมัติพบ CAPTCHA โดยเฉลี่ยหนึ่งครั้งต่อคำขอ HTTP 15 ครั้ง โปรแกรมทำดัชนีสินค้าผิดกฎหมายที่ขายใน Yellow Brick ได้ 1,831 รายการ รวมสินค้าที่เกี่ยวกับยาเสพติด 1,223 รายการ ซึ่งรวมโอปิออยด์และโคเคน ชุดเครื่องมือแฮก 44 รายการ และภาพสแกนเอกสารปลอมเก้ารายการ โดยรวมระบบระบุสินค้าที่เกี่ยวข้องกับความมั่นคงปลอดภัยไซเบอร์ได้ 286 รายการ รวมบัตรเครดิตที่ถูกขโมย 102 รายการ และข้อมูลเข้าสู่บัญชีที่ถูกขโมย 131 รายการ

ผู้เขียนระบุว่า DW-GAN แก้ CAPTCHA ได้ภายในสามครั้งหรือน้อยกว่าในทุกกรณี และใช้เวลาประมวลผล 76 นาทีในการจัดการ CAPTCHA ที่ป้องกันสินค้าทั้ง 1,831 รายการ ไม่จำเป็นต้องให้มนุษย์แทรกแซงและไม่เกิดกรณีปลายทางล้มเหลว

ผู้เขียนกล่าวถึงโจทย์ที่ซับซ้อนกว่า CAPTCHA แบบข้อความซึ่งเริ่มปรากฏขึ้น รวมทั้งบางแบบที่ดูเหมือนอิงการทดสอบทัวริง และเห็นว่า DW-GAN อาจได้รับการพัฒนาเพื่อรองรับแนวโน้มใหม่เหล่านี้เมื่อแพร่หลายขึ้น

*การทดสอบทัวริงสาธารณะแบบอัตโนมัติทั้งหมดเพื่อแยกแยะคอมพิวเตอร์กับมนุษย์

เผยแพร่ครั้งแรก 11 มกราคม 2022