Изкуственият интелект може да замени клик-фермите при заобикалянето на Captcha-та

Известен специалист реши да провери дали възможностите на изкуствения интелект могат да заменят стандартните клик-ферми за решаване на Captcha. Припомняйки излизането на Google reCaptcha v2 през 2014 г., което се превърна в най-популярното решение за удостоверяване на потребителите, авторът подчертава актуалността и голямото значение на този въпрос. Captcha помага да се предотврати създаването на многобройни фалшиви акаунти от хакерите с цел незаконно популяризиране на продукти и дори влияние върху политическите избори. Обикновено злоумишлениците използват услуги от типа на клик-фермите, където хора решават Captcha тестове срещу определено заплащане – средно по $3 за 1000 теста.

Традиционно Captcha тестът разделя едно изображение на 4х4 квадрата и потребителят трябва да избере тези, които съдържат определен обект. Един от подходите за решаване на такава Captcha е да се използва модел за класификация на изображенията и той да се изпълни 16 пъти върху всеки квадрат. Това обаче може да не се получи, тъй като в редица случаи изображението може да пресича няколко квадрата и ще бъде трудно да се идентифицира частта от образа.

Първият подход на изследователя е бил да обучи свой собствен модел за изкуствен интелект въз основа на изображения, намиращи се в библиотеката Python duckduckgo-search, като използва ключови думи, свързани с движението и светофарите. Въпреки значителните усилия, успяха да се съберат само около 30 съответстващи изображения и моделът не се представи добре поради ограниченото количество данни.

Вторият подход включва използването на предварително обучен модел за сегментиране на изображения от Nvidia, достъпен в HuggingFace. Този модел, обучен върху данни от градски пейзажи, успешно идентифицира светофарите в Captcha изображения. Авторът е разработил скрипт, включващ следните стъпки:

• промяна на размера на изображението до 1024×1024,
• използване на библиотеката Python transformer за създаване на инстанция на модела и предаване на преоразмереното изображение като входяща информация.

Тъй като моделът връща списък с маски за всеки обект, който може да идентифицира, изследователят избира маската на светофара и успява да изчисли в кой от 16-те квадрата попада.

Той е провел някои основни тестове за производителността на различен хардуер, включително услугите Hugging Face и RunPod. Оказа се, че обработката с помощта на графични процесори е много по-бърза и ефективна, отколкото с централни процесори. Най-рентабилният вариант се оказал RTX 4000 Ada, при който всяко изображение се обработва за 1 секунда и който струва 0,15 долара на час или 0,05 долара за 1000 Captcha изображения.

Авторът прави заключението, че въпреки успеха си в разпознаването на светофари, Captcha си остава важен елемент в многопластовата сигурност. Услуги като Google ReCaptcha и hCaptcha използват други методи за контрол и оценка на риска, които са извън обхвата на това проучване. Въпреки това проучването подчертава, че дори основни познания в областта на изкуствения интелект могат да помогнат на един мотивиран хакер да заобиколи Captcha системите.