發(fā)布時間：2020-12-16 12:15

　　驗證碼作為網(wǎng)絡安全的第一道屏障,其重要程度不言而喻。毋庸置疑的是驗證碼通常要求具有較高的安全性,其中主要在于驗證碼面對多種攻擊情況下依舊可以準確地區(qū)分合法與非法用戶。目前,卷積神經(jīng)網(wǎng)絡的高速發(fā)展使得許多驗證碼的安全性大大降低,一些新型驗證碼甚至選擇犧牲可用性從而保證安全性。而近期關于對抗樣本的研究似乎給驗證碼領域帶來了新的契機,研究表明對抗樣本可以通過在原圖中添加人類不易察覺的擾動而成功地愚弄目前最先進的卷積神經(jīng)網(wǎng)絡,這一性質恰好符合驗證碼安全性與可用性的要求。本文基于以上思考,分別將對抗樣本應用于三種目前常用的驗證碼形式中,進行對抗樣本技術在驗證碼中的安全性研究,主要內容包括以下三方面:(1)將對抗樣本應用于圖片選擇驗證碼中,利用兩種對抗樣本生成算法以及三種網(wǎng)絡生成不同數(shù)據(jù)樣本,另外通過驗證實驗證明對抗樣本的有效性;在安全性分析部分,分別從預訓練權重直接分類、二次訓練網(wǎng)絡分類、開源接口直接分類三方面嘗試破解,以及大批量的人工測試用戶友好性;接著從生成網(wǎng)絡的差異性、對抗樣本占比影響、有無目標對抗樣本結合、混合數(shù)據(jù)集以及圖像去噪技術帶來的影響五個角度進一步討論分析。實驗結果表明對抗樣本確... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：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行 4×4、2×2 以及 1×1 的劃分，然后分別最大池化并進行拼接合并，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]，他的結構圖如圖 2.9 所示。其中的 ROI Pooling 層就相當于空間金字塔池化層，對每一個候選框，經(jīng)過池化之后，獲得全連接層的特征向量，然后分別送入類別分類以及邊界框回歸兩個任務分支，同時進行訓練學習。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]，他的結構圖如圖 2.9。其中的 ROI Pooling 層就相當于空間金字塔池化層，對每一個候選框，經(jīng)過池后，獲得全連接層的特征向量，然后分別送入類別分類以及邊界框回歸兩個任務，同時進行訓練學習。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：2920131