發(fā)布時(shí)間：2020-12-16 12:15

　　驗(yàn)證碼作為網(wǎng)絡(luò)安全的第一道屏障,其重要程度不言而喻。毋庸置疑的是驗(yàn)證碼通常要求具有較高的安全性,其中主要在于驗(yàn)證碼面對(duì)多種攻擊情況下依舊可以準(zhǔn)確地區(qū)分合法與非法用戶(hù)。目前,卷積神經(jīng)網(wǎng)絡(luò)的高速發(fā)展使得許多驗(yàn)證碼的安全性大大降低,一些新型驗(yàn)證碼甚至選擇犧牲可用性從而保證安全性。而近期關(guān)于對(duì)抗樣本的研究似乎給驗(yàn)證碼領(lǐng)域帶來(lái)了新的契機(jī),研究表明對(duì)抗樣本可以通過(guò)在原圖中添加人類(lèi)不易察覺(jué)的擾動(dòng)而成功地愚弄目前最先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò),這一性質(zhì)恰好符合驗(yàn)證碼安全性與可用性的要求。本文基于以上思考,分別將對(duì)抗樣本應(yīng)用于三種目前常用的驗(yàn)證碼形式中,進(jìn)行對(duì)抗樣本技術(shù)在驗(yàn)證碼中的安全性研究,主要內(nèi)容包括以下三方面:(1)將對(duì)抗樣本應(yīng)用于圖片選擇驗(yàn)證碼中,利用兩種對(duì)抗樣本生成算法以及三種網(wǎng)絡(luò)生成不同數(shù)據(jù)樣本,另外通過(guò)驗(yàn)證實(shí)驗(yàn)證明對(duì)抗樣本的有效性;在安全性分析部分,分別從預(yù)訓(xùn)練權(quán)重直接分類(lèi)、二次訓(xùn)練網(wǎng)絡(luò)分類(lèi)、開(kāi)源接口直接分類(lèi)三方面嘗試破解,以及大批量的人工測(cè)試用戶(hù)友好性;接著從生成網(wǎng)絡(luò)的差異性、對(duì)抗樣本占比影響、有無(wú)目標(biāo)對(duì)抗樣本結(jié)合、混合數(shù)據(jù)集以及圖像去噪技術(shù)帶來(lái)的影響五個(gè)角度進(jìn)一步討論分析。實(shí)驗(yàn)結(jié)果表明對(duì)抗樣本確... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

R-CNN算法框架圖

它將不同尺寸的特征圖分別進(jìn)行 4×4、2×2 以及 1×1 的劃分，然后分別最大池化并進(jìn)行拼接合并，這樣不論輸入尺寸為多少，輸出都是相同的。圖2.8 空間金字塔池化層[47]圖2.9 Fast R-CNN 算法框架圖[42]在空間金字塔池化層的思路下，F(xiàn)ast R-CNN 被提出[42]，他的結(jié)構(gòu)圖如圖 2.9 所示。其中的 ROI Pooling 層就相當(dāng)于空間金字塔池化層，對(duì)每一個(gè)候選框，經(jīng)過(guò)池化之后，獲得全連接層的特征向量，然后分別送入類(lèi)別分類(lèi)以及邊界框回歸兩個(gè)任務(wù)分支，同時(shí)進(jìn)行訓(xùn)練學(xué)習(xí)。相比 R-CNN 方法，F(xiàn)ast R-CNN 的不同在于加入了金字塔池

13圖2.9 Fast R-CNN 算法框架圖[42]在空間金字塔池化層的思路下，F(xiàn)ast R-CNN 被提出[42]，他的結(jié)構(gòu)圖如圖 2.9。其中的 ROI Pooling 層就相當(dāng)于空間金字塔池化層，對(duì)每一個(gè)候選框，經(jīng)過(guò)池后，獲得全連接層的特征向量，然后分別送入類(lèi)別分類(lèi)以及邊界框回歸兩個(gè)任務(wù)，同時(shí)進(jìn)行訓(xùn)練學(xué)習(xí)。相比 R-CNN 方法，F(xiàn)ast R-CNN 的不同在于加入了金字塔


本文編號(hào)：2920131