滑块式验证码的破解方法研究

摘要

验证码是现今互联网应对在线攻击的一种主要防御机制，其中动态认知游戏（Dynamic Cognitive Game，DCG）验证码是一种很有前景的新型验证码，它要求用户进行一系列游戏式的认知任务以通过验证，相比文字验证和图像验证在用户体验上有了很大改善。滑块式验证码作为一种具有代表性的动态认知游戏验证码，它要求用户拖动滑块到目标位置，相比于肉眼识别字符或图片，这种验证方式的交互过程更为有趣，因此在很多主流平台上，滑动验证日渐替代了先前流行的字符和图片验证方式。本文对现今流行的滑块验证方式做了详细地探究，发现目前的滑块验证方式区分人机所依据的滑动轨迹可以人为生成，因此我们提出了基于机器学习方法进行轨迹模拟的破解方案，以此为提升和优化网络信息安全策略提供借鉴，为建设安全和谐的互联网信息生态环境提供参考。 目前方案采用的普遍流程分为“识别目标位置”和“生成滑动轨迹”这两个步骤。对于前者，可以采取形状匹配的方法，针对滑块验证的特殊场景，我们进行了限定位置、去除缩放和旋转等改进。对于后者，本文尝试设计了以下几种方案进行效果对比：（1）数据库法，将大量真实的人工拖动轨迹建立数据库，在解析出目标位置后从数据库中直接取出相应轨迹进行模拟；（2）曲线拟合法，分析人工拖动轨迹的规律，以分段函数曲线的思路来模拟拖动轨迹；（3）深度强化学习法，设计深度Q网络（Deep Q Network，DQN）模型，让其自动生成路径；（4）尝试使用循环神经网络（Recurrent Neural Networks，RNN），依据现有滑动轨迹学习滑动序列模型。 对于以上不同方案，本文分别设计模型进行了仿真实验，将实验结果进行比较，发现数据库法的验证码通过率和测试次数与数据库的轨迹数量有关，曲线拟合法通过率相对较低，深度强化学习法和RNN法在训练一定次数后通过率分别稳定在了0.80和0.75左右，验证了机器学习的方法在破解滑动验证方向上的可行性和有效性。

目录

第一个书签之前