Giải CAPTCHA bằng máy học để hỗ trợ nghiên cứu Dark Web

Dự án nghiên cứu học thuật chung từ Hoa Kỳ đã phát triển một phương pháp để đánh bại các thử nghiệm CAPTCHA *, được báo cáo là vượt trội so với các giải pháp học máy hiện đại khác bằng cách sử dụng mạng đối nghịch tạo sinh (GAN) để giải mã các thử thách phức tạp về mặt hình ảnh.

Khi thử nghiệm hệ thống mới chống lại các khuôn khổ hiện tại tốt nhất, các nhà nghiên cứu đã tìm thấy rằng phương pháp của họ đạt được hơn 94,4% thành công trên một tập dữ liệu thực tế được tuyển chọn cẩn thận, và đã chứng minh khả năng ‘loại bỏ sự tham gia của con người’ khi điều hướng một thị trường Dark Net mới nổi được bảo vệ bởi CAPTCHA, tự động giải quyết các thử thách CAPTCHA trong tối đa ba lần thử.

Quy trình làm việc cho DW-GAN. Nguồn: https://arxiv.org/pdf/2201.02799.pdf

Các tác giả cho rằng phương pháp của họ đại diện cho một đột phá đối với các nhà nghiên cứu an ninh mạng, những người truyền thống phải chịu chi phí cung cấp con người trong vòng lặp để giải quyết CAPTCHAs thủ công, thường thông qua các nền tảng huy động nhân lực cộng đồng như Amazon Mechanical Turk (AMT).

Nếu hệ thống có thể chứng minh được khả năng thích ứng và linh hoạt, nó có thể mở đường cho các hệ thống giám sát tự động hơn, cũng như việc lập chỉ mục và thu thập dữ liệu từ mạng TOR. Điều này có thể cho phép phân tích có thể mở rộng và có khối lượng lớn, cũng như sự phát triển của các phương pháp và kỹ thuật an ninh mạng mới, những thứ đã bị hạn chế bởi tường lửa CAPTCHA cho đến nay.

Bài báo này có tiêu đề Phản công CAPTCHA dựa trên văn bản Dark Web bằng Học đối nghịch tạo cho Trí tuệ Đe dọa mạng chủ động, và đến từ các nhà nghiên cứu tại Đại học Arizona, Đại học Nam Florida và Đại học Georgia.

Ảnh hưởng

Vì hệ thống – được gọi là Dark Web-GAN (DW-GAN, có sẵn tại GitHub) – rõ ràng là có hiệu suất cao hơn so với các phiên bản trước, có khả năng nó sẽ được sử dụng như một phương pháp chung để vượt qua (thường ít khó khăn hơn) các thử thách CAPTCHA trên web tiêu chuẩn, hoặc dựa trên các nguyên tắc chung mà bài báo mới phác thảo. Tuy nhiên, do hạn chế lưu trữ tại GitHub, hiện tại cần phải liên hệ với tác giả chính Ning Zhang để có được dữ liệu liên quan đến khuôn khổ.

Bởi vì DW-GAN có một ‘sứ mệnh tích cực’ để phá vỡ CAPTCHAs (giống như TOR ban đầu có một sứ mệnh tích cực để bảo vệ truyền thông quân sự và sau đó là các nhà báo), và bởi vì CAPTCHAs là cả một biện pháp phòng thủ hợp pháp (thường và gây tranh cãi sử dụng bởi gã khổng lồ CDN CloudFlare) và một công cụ yêu thích của các thị trường Dark Web bất hợp pháp, cách tiếp cận này có thể được coi là một ‘công nghệ san bằng’.

Các tác giả tự thừa nhận rằng DW-GAN có nhiều ứng dụng rộng hơn:

‘[Trong khi] nghiên cứu này chủ yếu tập trung vào CAPTCHA Dark Web như một vấn đề khó khăn hơn, phương pháp được đề xuất trong nghiên cứu này dự kiến sẽ áp dụng được cho các loại CAPTCHA khác mà không mất tính tổng quát.’

Được giả định DW-GAN, hoặc một hệ thống tương tự, sẽ cần phải trở nên phổ biến và rõ ràng để kích thích các thị trường Dark Web tìm kiếm các giải pháp ít có thể giải quyết được bằng máy hơn, hoặc ít nhất là tiến hóa các cấu hình CAPTCHA của chúng theo thời gian, một kịch bản ‘chiến tranh lạnh’.

Động lực

Như bài báo quan sát, Dark Web là nguồn chính của thông tin tình báo về các cuộc tấn công mạng, được ước tính sẽ chi phí cho nền kinh tế toàn cầu 10 nghìn tỷ USD vào năm 2025. Do đó, các mạng Onion vẫn là một môi trường tương đối an toàn cho các cộng đồng Dark Web bất hợp pháp, những cộng đồng này có thể đẩy lùi các cuộc tấn công bằng các phương pháp khác nhau, bao gồm thời gian chờ phiên, cookie và xác thực người dùng.

Hai loại CAPTCHA, cả hai đều sử dụng nền gây nhiễu và chữ nghiêng để làm cho chúng ít có thể đọc được bằng máy hơn.

Tuy nhiên, các tác giả quan sát rằng, không có chướng ngại vật nào lớn như loạt CAPTCHAs mà phân cách trải nghiệm duyệt web trong một ‘cộng đồng nhạy cảm’:

‘Trong khi hầu hết các biện pháp này có thể được khắc phục hiệu quả bằng cách thực hiện các biện pháp đối phó tự động trong chương trình thu thập, CAPTCHA là biện pháp chống thu thập dữ liệu khó khăn nhất trong Dark Web mà không thể dễ dàng vượt qua do khả năng nhận thức cao thường không được các công cụ tự động hóa sở hữu.’

CAPTCHAs dựa trên văn bản không phải là lựa chọn duy nhất; có các biến thể, quen thuộc với nhiều người trong chúng ta, thách thức người dùng giải thích video, audio và đặc biệt là hình ảnh. Tuy nhiên, như các tác giả quan sát, CAPTCHA dựa trên văn bản hiện là thử thách được chọn cho các thị trường Dark Web, và một điểm xuất phát tự nhiên để làm cho các mạng TOR dễ bị phân tích bằng máy hơn.

Kiến trúc

Mặc dù một cách tiếp cận trước đó từ Đại học Northwest ở Trung Quốc đã sử dụng Mạng đối nghịch tạo để suy dẫn các mẫu tính năng từ các nền tảng CAPTCHA, các tác giả của bài báo mới lưu ý rằng phương pháp này phụ thuộc vào việc giải thích một hình ảnh được raster hóa, chứ không phải là một cuộc kiểm tra sâu hơn về các chữ cái được nhận ra trong thử thách; và rằng hiệu quả của DW-GAN không bị ảnh hưởng bởi độ dài thay đổi của các từ vô nghĩa (và của các số) thường được tìm thấy trong các CAPTCHAs của Dark Web.

DW-GAN sử dụng một quy trình bốn giai đoạn: đầu tiên, hình ảnh được thu thập, và sau đó được đưa đến một mô-đun làm sạch nền sử dụng một GAN đã được đào tạo trên các mẫu CAPTCHA được chú thích, và do đó có thể phân biệt các chữ cái từ nền bị xáo trộn mà chúng đang nghỉ ngơi. Các chữ cái được trích xuất sau đó được lọc thêm khỏi bất kỳ tiếng ồn còn lại sau khi trích xuất dựa trên GAN.

Tiếp theo, phân đoạn được thực hiện trên văn bản được trích xuất, sau đó được chia thành những gì có vẻ như là các ký tự thành phần, sử dụng các thuật toán phát hiện đường viền.

Phân đoạn ký tự cách ly nhóm pixel và cố gắng nhận dạng với việc theo dõi đường viền.

Cuối cùng, các phân đoạn ký tự ‘đoán’ được đưa qua quá trình nhận dạng ký tự thông qua một Mạng nơ-ron tích chập (CNN).

Đôi khi các ký tự có thể chồng lên nhau, việc ép khoảng cách giữa các ký tự đến mức chồng lấn được thiết kế đặc biệt để đánh lừa các hệ thống máy. DW-GAN do đó sử dụng phân đoạn dựa trên khoảng cách để tăng cường và cách ly các đường viền, hiệu quả phân chia các ký tự. Vì các từ thường là vô nghĩa, không có ngữ cảnh ngữ nghĩa để hỗ trợ quá trình này.

Kết quả

DW-GAN đã được thử nghiệm chống lại các hình ảnh CAPTCHA từ ba tập dữ liệu Dark Web đa dạng, cũng như một bộ tổng hợp CAPTCHA phổ biến. Các thị trường Dark từ nơi các hình ảnh xuất xứ bao gồm hai cửa hàng thẻ, Rescator-1 và Rescator-2, và một tập mới từ một thị trường mới nổi có tên là Yellow Brick (được báo cáo đã biến mất sau đó trong sự sụp đổ của DarkMarket).

Mẫu CAPTCHAs từ ba tập dữ liệu, cũng như bộ tổng hợp CAPTCHA mã nguồn mở.

Theo các tác giả, dữ liệu được sử dụng trong thử nghiệm được các chuyên gia Trí tuệ Đe dọa mạng (CTI) khuyên dùng dựa trên sự phổ biến rộng rãi của chúng trên các thị trường Dark Net.

Thử nghiệm mỗi tập dữ liệu liên quan đến việc phát triển một chương trình thu thập web đối mặt với TOR thu thập 500 hình ảnh CAPTCHA, sau đó được gắn nhãn và tuyển chọn bởi các cố vấn CTI.

Ba thí nghiệm đã được thiết kế. Thí nghiệm đầu tiên đánh giá hiệu suất tổng thể của DW-GAN trong việc đánh bại CAPTCHA so với các phương pháp SOTA tiêu chuẩn. Các phương pháp đối thủ là CNN cấp độ hình ảnh với tiền xử lý, liên quan đến việc chuyển đổi thang độ xám, chuẩn hóa và làm mịn Gaussian, một nỗ lực học thuật chung từ Iran và Vương quốc Anh; CNN cấp độ ký tự với phân đoạn dựa trên khoảng cách; và CNN cấp độ hình ảnh, từ Đại học Oxford ở Vương quốc Anh.

Kết quả từ DW-GAN cho thí nghiệm đầu tiên, so với các phương pháp hiện đại trước đó.

Các nhà nghiên cứu đã tìm thấy rằng DW-GAN có thể cải thiện kết quả trước đó trên toàn bảng (xem bảng trên).

Thí nghiệm thứ hai là một nghiên cứu loại bỏ, trong đó các thành phần khác nhau của khuôn khổ hoạt động được loại bỏ hoặc vô hiệu hóa để loại trừ khả năng rằng các yếu tố bên ngoài hoặc thứ yếu đang ảnh hưởng đến kết quả.

Kết quả của nghiên cứu loại bỏ.

Ở đây, các tác giả cũng tìm thấy rằng việc vô hiệu hóa các phần chính của kiến trúc giảm hiệu suất của DW-GAN trong hầu hết các trường hợp (xem bảng trên).

Thí nghiệm thứ ba so sánh hiệu quả của DW-GAN chống lại phương pháp dựa trên hình ảnh và hai phương pháp cấp độ ký tự, để xác định mức độ mà đánh giá ký tự của DW-GAN ảnh hưởng đến sự hữu ích của nó trong các trường hợp mà một từ CAPTCHA vô nghĩa là một độ dài tùy ý (thay vì được định nghĩa trước). Trong những trường hợp này, độ dài CAPTCHA thay đổi từ 4 đến 7 ký tự.

Đối với thí nghiệm này, các tác giả đã sử dụng một tập dữ liệu đào tạo gồm 50.000 hình ảnh CAPTCHA, với 5.000 hình ảnh được dành cho thử nghiệm trong một phân chia 90/10 điển hình.

Ở đây, DW-GAN cũng vượt trội so với các phương pháp trước đó:

Thử nghiệm trực tiếp trên một Thị trường Dark Net

Cuối cùng, DW-GAN đã được triển khai chống lại thị trường Dark Net Yellow Brick (thì đang hoạt động). Đối với thử nghiệm này, một trình duyệt web TOR đã được phát triển tích hợp DW-GAN vào khả năng duyệt web của nó, tự động phân tích các thử thách CAPTCHA.

Trong kịch bản này, một CAPTCHA được trình bày cho chương trình thu thập tự động cho mỗi 15 yêu cầu HTTP, trung bình. Chương trình thu thập đã có thể lập chỉ mục 1.831 mặt hàng bất hợp pháp để bán trên Yellow Brick, bao gồm 1.223 sản phẩm liên quan đến ma túy (bao gồm cả các chất thuộc nhóm opioid và cocaine), 44 gói hacking và 9 bản quét tài liệu giả mạo. Tổng cộng, hệ thống đã có thể xác định 286 mặt hàng liên quan đến an ninh mạng, bao gồm 102 thẻ tín dụng bị đánh cắp và 131 đăng nhập tài khoản bị đánh cắp.

Các tác giả tuyên bố rằng DW-GAN trong tất cả các trường hợp có thể giải quyết một CAPTCHA trong ba lần thử hoặc ít hơn, và 76 phút thời gian xử lý là cần thiết để giải quyết CAPTCHAs bảo vệ tất cả 1.831 sản phẩm. Không cần có sự can thiệp của con người và không có trường hợp thất bại điểm cuối nào xảy ra.

Các tác giả lưu ý sự xuất hiện của các thử thách cung cấp một mức độ tinh vi hơn so với CAPTCHAs dựa trên văn bản, bao gồm một số thử thách dường như được mô hình hóa trên các thử nghiệm Turing, và quan sát rằng DW-GAN có thể được cải tiến để thích ứng với những xu hướng mới này khi chúng trở nên phổ biến.

*Thử nghiệm Turing công khai hoàn toàn tự động để phân biệt máy tính và con người

Được xuất bản lần đầu vào ngày 11 tháng 1 năm 2022.