Luận văn thạc sĩ về phân loại và nhận dạng tự động các ký tự trên ảnh CAPTCHA

Luận văn thạc sĩ HUS nghiên cứu phương pháp phân loại và nhận dạng tự động các ký tự trên ảnh captcha, ứng dụng trong bảo mật thông tin.

• Tác giả: Nguyễn Duy Anh
• Người hướng dẫn: Ts. Đỗ Thanh Hà
• Trường học: Trường Đại Học Khoa Học Tự Nhiên
• Chuyên ngành: Cơ Sở Toán Cho Tin Học
• Đề tài: Phân Loại Và Nhận Dạng Tự Động Các Ký Tự Trên Ảnh CAPTCHA
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ CAPTCHA
• 1.1. Định nghĩa captcha
• 1.2. Lịch sử và ứng dụng
• 1.3. Quá trình sinh captcha
• 1.4. Các phương pháp nhận dạng captcha tự động
• 1.4.1. Nhận dạng cứng
• 1.4.2. Nhận dạng mềm
• 2. CHƯƠNG 2: NHẬN DẠNG TỰ ĐỘNG CAPTCHA SỬ DỤNG CNN
• 2.1. Phép toán hình thái
• 2.1.1. Phép toán giãn nở
• 2.1.2. Phép toán co
• 2.2. Nguyên tắc chung của lọc ảnh
• 2.2.1. Phép lọc Gauss
• 2.2.2. Phép lọc trung vị ảnh xám
• 2.3. Lý thuyết tích chập và mạng tích chập (CNN)
• 2.3.1. Mạng tích chập (CNN)
• 2.3.2. Nhận dạng captcha sử dụng CNN
• 2.3.2.1. Phương pháp tách và nhận dạng từng ký tự
• 2.3.2.2. Phương pháp nhận dạng toàn bộ ký tự
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM
• 3.1. Bộ dữ liệu sử dụng
• 3.2. Mô hình sử dụng và các tham số
• 3.2.1. Tham số mô hình
• 3.3. Kết quả thực nghiệm
• 3.3.1. Ngôn ngữ lập trình, thư viện
• 3.3.2. Kết quả đạt được với các mẫu dữ liệu
• 3.3.3. Mô tả quá trình thực nghiệm
• 3.3.4. So sánh kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu tổng quan về phân loại và nhận dạng ký tự CAPTCHA

Trong thời đại công nghệ số, CAPTCHA đã trở thành một phần không thể thiếu trong việc bảo mật thông tin trên internet. CAPTCHA, viết tắt của Completely Automated Public Turing test to tell Computers and Humans Apart, là một phương pháp kiểm tra nhằm phân biệt giữa người và máy tính. Bài viết này sẽ đi sâu vào việc phân loại và nhận dạng ký tự tự động trên ảnh CAPTCHA, một lĩnh vực đang thu hút sự quan tâm lớn từ các nhà nghiên cứu và phát triển công nghệ.

1.1. Định nghĩa và lịch sử phát triển của CAPTCHA

CAPTCHA là một loại kiểm tra được thiết kế để xác định xem người dùng có phải là con người hay không. Lịch sử của CAPTCHA bắt đầu từ những năm 1990, khi các nhà nghiên cứu tìm cách ngăn chặn các chương trình tự động thực hiện các hành động trên internet. Các loại CAPTCHA đã phát triển đa dạng, từ hình ảnh đến âm thanh, nhằm tăng cường tính bảo mật.

1.2. Ứng dụng thực tiễn của CAPTCHA trong bảo mật

CAPTCHA được sử dụng rộng rãi trong nhiều lĩnh vực như ngăn chặn spam, bảo vệ thông tin cá nhân và đảm bảo tính chính xác trong các cuộc thăm dò trực tuyến. Việc sử dụng CAPTCHA giúp giảm thiểu rủi ro từ các cuộc tấn công tự động, bảo vệ các hệ thống thông tin quan trọng.

II. Thách thức trong việc nhận dạng ký tự trên ảnh CAPTCHA

Mặc dù CAPTCHA đã được thiết kế để ngăn chặn các chương trình tự động, nhưng vẫn tồn tại nhiều thách thức trong việc nhận dạng ký tự. Các phương pháp tấn công ngày càng tinh vi, khiến cho việc nhận dạng trở nên khó khăn hơn. Bài viết sẽ phân tích các vấn đề chính trong việc nhận dạng ký tự tự động trên ảnh CAPTCHA.

2.1. Các phương pháp tấn công CAPTCHA hiện nay

Các phương pháp tấn công CAPTCHA bao gồm tấn công cứng và tấn công mềm. Tấn công cứng tập trung vào việc khai thác các điểm yếu trong quá trình sinh CAPTCHA, trong khi tấn công mềm sử dụng các mô hình học máy để tự động nhận dạng ký tự mà không cần quan tâm đến quy trình sinh CAPTCHA.

2.2. Những khó khăn trong việc nhận dạng ký tự quang học OCR

Nhận dạng ký tự quang học (OCR) gặp nhiều khó khăn khi xử lý các ký tự bị làm nhiễu trong CAPTCHA. Các yếu tố như độ méo, màu sắc và nhiễu nền có thể làm giảm độ chính xác của các thuật toán nhận dạng, dẫn đến việc không thể nhận diện chính xác các ký tự.

III. Phương pháp nhận dạng ký tự tự động trên ảnh CAPTCHA

Để giải quyết các thách thức trong việc nhận dạng ký tự trên ảnh CAPTCHA, nhiều phương pháp đã được phát triển. Trong đó, các mô hình học máy, đặc biệt là mạng nơ-ron tích chập (CNN), đã cho thấy hiệu quả cao trong việc nhận dạng ký tự tự động.

3.1. Ứng dụng của mạng nơ ron tích chập CNN trong nhận dạng CAPTCHA

Mạng nơ-ron tích chập (CNN) là một trong những công nghệ tiên tiến nhất trong lĩnh vực nhận dạng hình ảnh. CNN có khả năng tự động học và trích xuất đặc trưng từ dữ liệu hình ảnh, giúp cải thiện độ chính xác trong việc nhận dạng ký tự trên ảnh CAPTCHA.

3.2. Các bước tiền xử lý ảnh trước khi nhận dạng

Tiền xử lý ảnh là một bước quan trọng trong quy trình nhận dạng ký tự. Các kỹ thuật như lọc ảnh, làm sạch nhiễu và tách ký tự giúp cải thiện chất lượng ảnh đầu vào, từ đó nâng cao hiệu quả của mô hình nhận dạng.

IV. Kết quả thực nghiệm trong nhận dạng ký tự CAPTCHA

Các nghiên cứu thực nghiệm đã chỉ ra rằng việc áp dụng các mô hình học máy, đặc biệt là CNN, có thể đạt được kết quả cao trong việc nhận dạng ký tự trên ảnh CAPTCHA. Bài viết sẽ trình bày các kết quả thực nghiệm và so sánh hiệu quả của các phương pháp khác nhau.

4.1. Bộ dữ liệu và mô hình sử dụng trong thực nghiệm

Bộ dữ liệu được sử dụng trong các thí nghiệm bao gồm nhiều mẫu CAPTCHA khác nhau, từ đơn giản đến phức tạp. Các mô hình học máy được áp dụng để đánh giá hiệu quả nhận dạng ký tự trên các bộ dữ liệu này.

4.2. So sánh kết quả giữa các phương pháp nhận dạng

Kết quả thực nghiệm cho thấy rằng mô hình CNN vượt trội hơn so với các phương pháp truyền thống trong việc nhận dạng ký tự trên ảnh CAPTCHA. Độ chính xác và tốc độ nhận dạng của CNN đã được chứng minh qua các thử nghiệm thực tế.

V. Kết luận và tương lai của nhận dạng ký tự CAPTCHA

Nhận dạng ký tự tự động trên ảnh CAPTCHA là một lĩnh vực đang phát triển mạnh mẽ. Với sự tiến bộ của công nghệ học máy, đặc biệt là trong lĩnh vực thị giác máy tính, tương lai của nhận dạng ký tự CAPTCHA hứa hẹn sẽ có nhiều cải tiến đáng kể.

5.1. Xu hướng phát triển công nghệ nhận dạng CAPTCHA

Các nghiên cứu hiện tại đang tập trung vào việc cải thiện độ chính xác và tốc độ của các mô hình nhận dạng. Sự phát triển của AI và machine learning trong CAPTCHA sẽ mở ra nhiều cơ hội mới cho việc bảo mật thông tin.

5.2. Thách thức và cơ hội trong tương lai

Mặc dù có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức trong việc phát triển các hệ thống CAPTCHA an toàn và hiệu quả. Việc nghiên cứu và phát triển các phương pháp mới sẽ là cần thiết để đối phó với các mối đe dọa từ các chương trình tự động.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và an ninh mạng hiện đại, hơn 85% các cổng thông tin và dịch vụ trực tuyến toàn cầu đang áp dụng các giải pháp CAPTCHA để thiết lập rào cản ngăn chặn lưu lượng truy cập ảo và các cuộc tấn công tự động từ botnet. CAPTCHA, viết tắt của Completely Automated Public Turing test to tell Computers and Humans Apart, là phép thử Turing công cộng hoàn toàn tự động được thiết kế nhằm phân biệt chính xác giữa người dùng thực và máy tính. Tuy nhiên, sự phát triển vượt bậc của trí tuệ nhân tạo và các mô hình học sâu trong giai đoạn 2009 đến 2019 đã đặt ra thách thức nghiêm trọng đối với độ an toàn của các loại CAPTCHA dạng hình ảnh truyền thống.

Vấn đề nghiên cứu trọng tâm của đề tài là phân tích, đánh giá toàn diện các điểm yếu bảo mật của CAPTCHA dạng ảnh ký tự bị làm nhiễu thông qua việc xây dựng hệ thống phân loại và nhận dạng tự động dựa trên mạng nơ-ron tích chập (CNN). Mục tiêu cụ thể là thiết kế quy trình tiền xử lý ảnh tối ưu, trích xuất đặc trưng hình thái học và thử nghiệm các kiến trúc mạng CNN chuyên biệt nhằm tự động hóa quá trình giải mã các mẫu CAPTCHA từ mức độ đơn giản đến phức tạp.

Nghiên cứu được triển khai thực nghiệm vào tháng 5 năm 2019 tại Khoa Toán - Cơ - Tin học thuộc Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội. Công trình đã khảo sát trên 5 bộ dữ liệu với tổng quy mô hơn 120.000 mẫu ảnh, chứng minh rằng mô hình học sâu có khả năng nhận dạng chính xác tới 100% đối với các mẫu ký tự cơ bản và đạt 97% trên các tập dữ liệu có độ nhiễu phức tạp cao. Kết quả này cung cấp cơ sở khoa học và thực tiễn vững chắc giúp các nhà phát triển hệ thống đánh giá lại độ an toàn, từ đó nâng cấp các tiêu chuẩn bảo mật cho các cổng xác thực trực tuyến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự kết hợp chặt chẽ giữa lý thuyết xử lý ảnh hình thái học và kiến trúc học sâu tiên tiến:

Thứ nhất, lý thuyết hình thái học toán học (Mathematical Morphology) đóng vai trò nền tảng trong giai đoạn tiền xử lý. Hai phép toán cốt lõi là phép giãn nở (Dilation) và phép co (Erosion) được triển khai thông qua các phần tử cấu trúc (Structuring Element - SE) đa dạng về kích thước và hình dáng (hình thoi, chữ thập, đường thẳng). Phép toán hình thái học cho phép làm nổi bật các thành phần liên thông của ký tự, loại bỏ nhiễu nền cục bộ và lấp đầy các khoảng trống đứt gãy do quá trình sinh ảnh gây ra.

Thứ hai, lý thuyết lọc số trong không gian ảnh hai chiều, bao gồm phép lọc Gauss (Gaussian Blur) với hàm mật độ phân phối chuẩn nhằm làm mờ mịn các đường gạch nhiễu, cùng phép lọc trung vị (Median Filter) chuyên biệt để khử triệt để nhiễu hạt muối tiêu mà vẫn bảo toàn độ sắc nét của đường biên ký tự.

Thứ ba, mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với cấu trúc phân tầng hiện đại. Mạng bao gồm các lớp tích chập (Convolution Layer) sử dụng ma trận lọc kernel kích thước 3x3 và 5x5, kết hợp hàm kích hoạt phi tuyến ReLU (Rectified Linear Unit) nhằm triệt tiêu hiện tượng bão hòa đạo hàm và tăng tốc độ hội tụ. Tiếp nối là các lớp lấy mẫu cực đại (Max Pooling) tỷ lệ 2x2 để giảm 50% kích thước không gian điểm ảnh, và các lớp kết nối đầy đủ (Fully Connected) tích hợp hàm phân phối xác suất Softmax ở đầu ra để dự đoán nhãn ký tự.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm bao gồm 5 bộ dữ liệu CAPTCHA độc lập với tổng số 128.454 mẫu ảnh được phân loại theo mức độ phức tạp tăng dần:

• Dataset-1 (kích thước 72x24 pixel, 4 ký tự gồm chữ hoa và số từ 2 đến 9): 9.955 mẫu huấn luyện và 2.201 mẫu kiểm tra.
• Dataset-2 (kích thước 150x50 pixel, 6 chữ số từ 0 đến 9 với 2 dạng nhiễu nền): 5.297 mẫu huấn luyện và 740 mẫu kiểm tra.
• Dataset-3 (kích thước 200x50 pixel, 5 ký tự chữ thường và số từ 2 đến 8, có gạch ngang cắt qua): 99.225 mẫu huấn luyện và 2.201 mẫu kiểm tra.
• Dataset-4 (kích thước 200x50 pixel, 5 ký tự bị làm méo và dính liền): 9.800 mẫu huấn luyện và 200 mẫu kiểm tra.
• Dataset-5 (kích thước 100x40 pixel, 4 ký tự màu đa sắc với nền chấm hạt và gạch ngẫu nhiên): 11.792 mẫu huấn luyện và 2.039 mẫu kiểm tra.

Phương pháp chọn mẫu được thực hiện theo nguyên tắc ngẫu nhiên có phân tầng nhằm đảm bảo độ bao phủ đầy đủ các biến thể ký tự và dạng nhiễu. Luận văn lựa chọn phương pháp phân tích thực nghiệm dựa trên mô hình CNN vì đây là công cụ tối ưu nhất hiện nay trong thị giác máy tính, có khả năng tự động học các đặc trưng không gian đa cấp độ mà không cần trích xuất thủ công.

Quy trình nghiên cứu và tối ưu hóa giải thuật được thực hiện liên tục từ cuối năm 2018 đến tháng 5 năm 2019, sử dụng ngôn ngữ lập trình Python kết hợp các thư viện chuyên sâu gồm TensorFlow, Keras, OpenCV và Pillow trên nền tảng tính toán hiệu năng cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm nhận dạng tự động trên 5 bộ dữ liệu đã ghi nhận các kết quả cụ thể như sau:

Phát hiện thứ nhất, đối với bộ dữ liệu Dataset-1 có cấu trúc ký tự rời rạc, phương pháp tiếp cận tách từng ký tự kết hợp thuật toán phân đoạn vùng liên thông đã đạt độ chính xác nhận dạng tuyệt đối 100% trên 500 mẫu kiểm tra ngẫu nhiên. Kỹ thuật chia đôi khung nhận dạng khi tỷ lệ chiều dài vượt quá 1,25 lần chiều cao đã xử lý thành công toàn bộ các trường hợp 2 ký tự bị dính liền nhau.

Phát hiện thứ hai, trên bộ dữ liệu Dataset-2 có 2 dạng nhiễu nền khác nhau, giải pháp phân loại ảnh dựa trên biểu đồ tần số điểm ảnh đen kết hợp xử lý chuyên biệt (lọc trung vị cho nhiễu chấm với ngưỡng OTSU 170, lọc Gauss cho nhiễu gạch với ngưỡng 155) và lọc 8 thành phần liên thông đã mang lại độ chính xác 97% trên 740 mẫu kiểm tra.

Phát hiện thứ ba, đối với bộ dữ liệu Dataset-3 có đường gạch ngang cắt qua toàn bộ chuỗi ký tự, phương pháp nhận dạng toàn bộ ký tự đồng thời bằng mô hình CNN sâu (Network-3 với 32 bộ lọc ở lớp đầu tiên) đã khắc phục được sự phá vỡ cấu trúc ký tự, đạt độ chính xác 86% trên 2.201 mẫu kiểm tra.

Phát hiện thứ tư, mức độ biến dạng và độ phức tạp màu sắc có ảnh hưởng tiêu cực rõ rệt đến độ chính xác của mô hình. Trên Dataset-4, khi ký tự bị làm méo và chồng lấn mạnh, độ chính xác giảm xuống còn 39% (thấp hơn 47% so với Dataset-3). Đặc biệt trên Dataset-5 với định dạng ảnh màu đa sắc và độ tương phản không đồng nhất, độ chính xác nhận dạng chỉ đạt 1,8% trên 700 mẫu kiểm tra do quá trình chuyển đổi nhị phân bị mất mát thông tin nghiêm trọng.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự chênh lệch hiệu năng giữa các bộ dữ liệu bắt nguồn từ việc mô hình CNN phụ thuộc chặt chẽ vào chất lượng ảnh sau bước tiền xử lý. Khi ký tự có độ sắc nét và tách biệt rõ ràng với nền, các lớp tích chập với kernel 5x5 dễ dàng trích xuất các đặc trưng cạnh và góc. Ngược lại, khi các yếu tố làm méo phi tuyến tính và màu sắc ngẫu nhiên xuất hiện đồng thời, các phương pháp nhị phân hóa cục bộ như OTSU không còn duy trì được biên dạng ký tự, dẫn đến hiện tượng trích xuất sai đặc trưng tại các tầng Fully Connected.

Về mặt trực quan hóa, toàn bộ kết quả phân loại và kiểm thử có thể được tổng hợp một cách khoa học thông qua bảng số liệu so sánh hiệu suất giữa các mô hình và biểu đồ cột biểu diễn xu hướng suy giảm độ chính xác từ 100%, 97%, 86% xuống 39% và 1,8% tương ứng với mức độ phức tạp của 5 bộ dữ liệu. Ngoài ra, việc thiết lập ma trận nhầm lẫn (confusion matrix) cho từng lớp ký tự giúp nhận diện rõ các cặp ký tự thường bị phân loại sai như chữ số 6 với số 8, hoặc số 5 với số 6 khi nhiễu hạt chưa được khử triệt để.

So với các nghiên cứu học máy truyền thống sử dụng SVM hay KNN trong giai đoạn 2009-2016, mô hình CNN được đề xuất trong luận văn cho thấy tính ưu việt vượt trội về thời gian xử lý và khả năng thích ứng với nhiễu đường gạch. Tuy nhiên, kết quả từ Dataset-5 cũng chứng minh rằng việc kết hợp nhiều kỹ thuật làm nhiễu như biến thiên màu sắc, độ đậm nhạt và bố trí phi quy chuẩn vẫn là phương thức phòng thủ hiệu quả của hệ thống CAPTCHA trước các thuật toán thị giác máy tính đơn thuần.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, luận văn đưa ra 4 khuyến nghị hành động cụ thể nhằm nâng cao năng lực bảo mật và tối ưu hóa các giải pháp nhận dạng ký tự:

Thứ nhất, nâng cấp thuật toán sinh CAPTCHA cho các hệ sinh thái trực tuyến. Các nhà phát triển phần mềm và quản trị viên hệ thống website cần lập tức loại bỏ các dạng CAPTCHA đơn sắc có cấu trúc ký tự tĩnh hoặc chỉ chứa một đường gạch nhiễu đơn giản. Thay vào đó, cần áp dụng cơ chế phối hợp ngẫu nhiên 3 đến 4 kỹ thuật làm nhiễu: thay đổi độ bão hòa màu sắc, làm méo phi tuyến tính và làm mờ cục bộ để giảm tỷ lệ bẻ khóa tự động xuống dưới 5%, hoàn thành triển khai trong vòng 3 đến 6 tháng tới.

Thứ hai, phát triển kiến trúc học sâu kháng nhiễu đa tầng. Các nhóm nghiên cứu thị giác máy tính và kỹ sư AI cần nghiên cứu bổ sung cơ chế chú ý (Attention Mechanism) kết hợp mạng tích chập sâu ResNet hoặc mạng nơ-ron hồi quy LSTM để xử lý dữ liệu chuỗi ký tự màu phức tạp, đặt mục tiêu nâng độ chính xác nhận dạng trên các tập dữ liệu có độ khó tương đương Dataset-5 lên trên 60% trong lộ trình 12 tháng.

Thứ ba, tích hợp các bộ lọc thích ứng tự động trong khâu tiền xử lý ảnh. Doanh nghiệp công nghệ cần xây dựng các module nhận diện tự động cấu trúc nhiễu đầu vào để tự động điều chỉnh siêu tham số lọc trung vị, lọc Gauss và ngưỡng nhị phân thích nghi, giúp giảm 40% thời gian tiền xử lý và tăng độ tin cậy của các hệ thống OCR thương mại.

Thứ tư, chuyển đổi sang các giải pháp xác thực hành vi thế hệ mới. Các tổ chức tài chính, cổng thanh toán và nền tảng thương mại điện tử cần chuyển đổi từ CAPTCHA hình ảnh truyền thống sang CAPTCHA phân tích hành vi người dùng kết hợp phép thử Turing vô hình, nhằm đảm bảo tỷ lệ ngăn chặn gian lận đạt trên 99,5% mà không làm gián đoạn trải nghiệm người dùng thực.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

Nhóm thứ nhất, các kỹ sư an toàn thông tin và chuyên gia bảo mật ứng dụng web. Tài liệu cung cấp góc nhìn thực nghiệm chi tiết về các lỗ hổng của cơ chế kiểm tra Turing, giúp các chuyên gia thiết kế các bài kiểm tra bảo mật có khả năng kháng cự các đợt tấn công tự động với độ an toàn cao hơn 95%.

Nhóm thứ hai, các kỹ sư phát triển trí tuệ nhân tạo và lập trình viên thị giác máy tính. Đây là tài liệu hướng dẫn thực tế về quy trình xây dựng mạng CNN, kỹ thuật tinh chỉnh tham số bộ lọc, hàm kích hoạt ReLU và các giải pháp tiền xử lý ảnh nhị phân bằng thư viện OpenCV và TensorFlow với mã nguồn có khả năng tái lập 100%.

Nhóm thứ ba, học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Toán - Tin, Khoa học máy tính. Luận văn cung cấp khung phương pháp luận nghiên cứu thực nghiệm chuẩn mực trên 128.454 mẫu dữ liệu, làm tiền đề mở rộng các đề tài nghiên cứu về nhận dạng ký tự quang học và bảo mật học máy.

Nhóm thứ tư, các nhà quản trị hệ thống và giám đốc công nghệ (CTO) tại các doanh nghiệp trực tuyến. Luận văn mang lại căn cứ khoa học rõ ràng để đánh giá mức độ rủi ro của hệ thống xác thực hiện tại, từ đó đưa ra quyết định đầu tư nâng cấp hạ tầng bảo mật đúng thời điểm, tiết kiệm hàng trăm triệu đồng chi phí khắc phục sự cố do spam bot.

Câu hỏi thường gặp

Tại sao mô hình CNN đạt độ chính xác 100% trên Dataset-1 nhưng chỉ đạt 1,8% trên Dataset-5? Nguyên nhân cốt lõi nằm ở bước tiền xử lý ảnh. Dataset-1 là ảnh nhị phân đơn sắc với ký tự tách biệt, giúp CNN trích xuất trọn vẹn đặc trưng hình thái. Trong khi đó, Dataset-5 là ảnh màu có độ đậm nhạt biến thiên liên tục, khiến việc nhị phân hóa làm mất hơn 70% thông tin nét chữ.

Kỹ thuật chia đôi khung cắt vùng liên thông hoạt động hiệu quả như thế nào khi ký tự bị dính liền? Trong thực nghiệm với Dataset-1, khi phát hiện 2 ký tự dính nhau làm chiều dài khung lớn hơn 1,25 lần chiều cao, hệ thống tự động chia đôi chiều rộng thành 2 khung độc lập. Giải pháp đơn giản này đã giúp mô hình nhận diện chính xác 100% số lượng ký tự bị dính.

Vai trò của việc phân loại 2 dạng nhiễu trên Dataset-2 trước khi lọc ảnh là gì? Dataset-2 chứa đồng thời nhiễu chấm hạt và nhiễu đường gạch. Việc phân loại dữ liệu đầu vào dựa trên biểu đồ điểm ảnh giúp áp dụng chính xác bộ lọc trung vị cho nhiễu chấm và lọc Gauss cho nhiễu gạch, giúp độ chính xác tăng từ dưới 60% lên đạt mức 97%.

Hàm kích hoạt ReLU mang lại ưu thế gì so với hàm Sigmoid trong bài toán nhận dạng ký tự CAPTCHA? Hàm ReLU có đạo hàm bằng 1 với mọi giá trị dương, giúp triệt tiêu hiện tượng triệt tiêu đạo hàm (vanishing gradient) của hàm Sigmoid, giảm 50% mật độ kích hoạt nơ-ron và tăng tốc độ hội tụ của mô hình CNN lên gấp hơn 3 lần trong quá trình huấn luyện.

Doanh nghiệp cần làm gì nếu hệ thống CAPTCHA hiện tại có nguy cơ bị bẻ khóa tự động? Doanh nghiệp cần ngay lập tức nâng cấp thuật toán tạo CAPTCHA bằng cách kết hợp ít nhất 3 dạng nhiễu: gạch ngẫu nhiên, đổi màu đa sắc và làm méo phi tuyến tính, hoặc tích hợp giải pháp CAPTCHA hành vi để giảm rủi ro bị bẻ khóa xuống dưới mức 5%.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu học thuật và thực tiễn thông qua 5 kết quả nổi bật sau:

• Hệ thống hóa hoàn chỉnh cơ sở lý thuyết về xử lý ảnh hình thái học toán học và kiến trúc mạng nơ-ron tích chập CNN ứng dụng trong nhận dạng ký tự.
• Xây dựng thành công quy trình tiền xử lý thích ứng gồm lọc trung vị, lọc Gauss và phân đoạn vùng liên thông, giải quyết triệt để vấn đề ký tự dính liền và nhiễu hạt.
• Thực nghiệm thành công mô hình CNN trên 5 bộ dữ liệu với 128.454 mẫu ảnh, đạt hiệu suất tối đa 100% trên Dataset-1 và 97% trên Dataset-2.
• Làm sáng tỏ giới hạn của các phương pháp nhị phân hóa truyền thống khi đối mặt với CAPTCHA màu phức tạp tại Dataset-5 (đạt 1,8%).
• Đề xuất các khuyến nghị kỹ thuật và lộ trình thực tiễn giúp các tổ chức nâng cấp tiêu chuẩn bảo mật cho các hệ thống xác thực trực tuyến.

Trong giai đoạn tiếp theo từ năm 2024 đến năm 2025, hướng nghiên cứu sẽ tập trung tích hợp các kiến trúc mạng Transformer và mô hình nhận dạng chuỗi đầu cuối (CRNN) để chinh phục hoàn toàn các dạng CAPTCHA đa sắc phức tạp. Quý độc giả, các nhà nghiên cứu và kỹ sư an toàn thông tin hãy tải toàn văn luận văn, ứng dụng các kỹ thuật tiền xử lý đã kiểm chứng và liên hệ với tác giả để cùng phát triển các giải pháp bảo mật trí tuệ nhân tạo thế hệ mới.

Trích đoạn nội dung tài liệu

Chương 1 Giới thiệu về captcha Trong thời đại công nghệ hiện nay đa số người dùng sử dụng máy tính đều quen với việc sử dụng captcha. Captcha có thể được gặp ở bất cứ đâu trên môi trường internet với mục đích chính là phân biệt máy tính với con người để chống lại các hình thức spam. Captcha có nhiều loại: âm thanh, đánh tích, sắp xếp hình ảnh và hình ảnh ký tự bị làm nhiễu. Chương này sẽ tập trung giới thiệu một số vấn đề về captcha dạng hình ảnh ký tự bị làm nhiễu.1 Định nghĩa captcha Định nghĩa 1.

Một captcha [5] là một loại kiểm thử dạng hỏi đáp được dùng trong máy tính để xác định xem người dùng có phải là con người hay không. "captcha" là chữ viết tắt của "Completely Automated Public Turing test to tell Computers and Humans Apart" (Phép thử Turing công cộng hoàn toàn tự động để phân biệt máy tính với người). Đây là một quá trình một máy tính (máy chủ) yêu cầu một người dùng hoàn tất một kiểm tra đơn giản mà máy tính có thể dễ dàng tạo ra và đánh giá, nhưng không thể tự giải nó được. Vì máy tính khó có thể giải quyết captcha, bất kỳ người dùng nào nhập vào lời giải đúng sẽ được xem là con người.

Một hệ thống captcha là một dạng kiểm thử được tạo ra tự động thỏa mãn các điều kiện sau: 1 Các máy tính hiện nay không thể giải được một cách chính xác 2 Đa số con người có thể giải được 3 Người tấn công có thể biết trước các kiểu captcha 1 LUAN VAN CHAT LUONG download : add [e-mail] Luận văn thạc sĩ Phân loại và nhận dạng tự động các ký tự trong ảnh captcha Hình 1.1: Một số mẫu captcha Hình 1.1 (a) mô tả một mẫu captcha được chương trình EZ-Gimpy tạo ra [13], đã được Yahoo sử dụng vào những năm 2000. Tuy nhiên, đã có những công nghệ nhận dạng tự động được loại captcha này.1 (b) làm cho nội dung khó nhận ra hơn bằng cách thêm vào đường gạch ngang và bố trí ký tự không thẳng hàng.2 Lịch sử và ứng dụng 1.1 Lịch sử Từ những năm 1950, khi Alan Turing giới thiệu về phép kiểm thử dạng hỏi đáp của mình thì vấn đề phân biệt giữa người và máy càng được quan tâm. Cụ thể vào năm 1997, nhằm ngăn chặn những chương trình máy tính có thể tự động thêm đường dẫn vào hệ thống tìm kiếm, Andrei Broder và đồng nghiệp tại viện AltaVista đã sáng tạo ra hệ thống captcha có thể coi là đầu tiên. Với mục đích chống lại hệ thống nhận dạng ký tự quang học (OCR).

Vào năm 2000 Von Ahn và Blum đã phát triển nhiều mẫu captcha được sử dụng rộng rãi và công khai khái niệm captcha để định danh những chương trình có thể phân biệt được máy tính và con người.2 Ứng dụng Nhìn chung captcha thường được ứng dụng trong lĩnh vực bảo mật an ninh an toàn thông tin, với những ứng dụng chính bao gồm: a. Ngăn chặn Spam comment trong Blog: Một số trang web muốn nâng cao thứ hạng tìm kiếm bằng cách sử dụng các chương trình tự động đưa ra nhiều bình luận giả , vô nghĩa trong blog. Thông qua captcha chỉ có người thật mới có thể nhập bình luận đảm bảo chất lượng nội dung cho blog. Bảo vệ đăng ký Email, Website: Hiện nay có không ít công ty cung cấp dịch vụ tạo email miễn phí, đi kèm với đó là sự xuất hiện của những chương trình tự động đăng ký email tràn lan.

Đặc biệt các website ngày nay đa số đều cho phép đăng ký tài khoản miễn phí thông qua email. Sự liên kết giữa email và website này là đối tượng rất dễ bị spam nên luôn cần được bảo vệ bởi captcha nhằm chống lại sự lạm dụng các chương trình tự động. Nguyễn Duy Anh 2 Cơ sở toán cho tin học LUAN VAN CHAT LUONG download : add [e-mail] Luận văn thạc sĩ Phân loại và nhận dạng tự động các ký tự trong ảnh captcha c. Bảo vệ các cuộc thăm dò trực tuyến: Vào tháng 11 năm 1999, một trang web đã tổ chức cuộc thăm dò trực tuyến bình chọn trường đại học có ngành khoa học máy tính tốt nhất.

Và rất nhanh chóng nó trở thành cuộc đua bỏ phiếu bằng các chương trình tự động giữa hai đại học lớn là CMU và MIT [5]. Từ đó tính chính xác của các cuộc thăm dò trực tuyến đã bị đặt những dấu hỏi lớn. Để giải quyết vấn đề này captcha chính là câu trả lời với ứng dụng phân biệt giữa máy tính với con người sẽ giúp đảm bảo sự chính xác của các kết quả thăm dò trực tuyến không còn bị làm sai lệch bởi các công cụ đánh giá tự động nữa.3 Quá trình sinh captcha Captcha được hình thành bởi 2 thành phần chính là nội dung captcha và nhiễu captcha. Tùy vào yêu cầu về độ phức tạp của captcha mà 2 thành phần này được xây dựng theo nhiều phương pháp khác nhau nhưng vẫn xoay quanh một định hướng nhất định.

Tạo nội dung captcha Nội dung captcha thường được tạo bởi các ký tự chữ, số cả dạng viết hoa và viết thường sử dụng ngẫu nhiên tùy theo mỗi loại. Các loại captcha phổ biến thường bao gồm cả chữ và số để đảm bảo độ khó nhất định. Tuy nhiên trong thời điểm hiện tại vẫn còn không ít trang web sử dụng các loại captcha toàn chữ hoặc toàn số, những captcha có nội dung đơn giản như vậy rất dễ bị tấn công và nhận dạng tự động. Do đó nội dung là một trong số các yếu tố quan trọng để đánh giá độ an toàn của captcha.

Tạo nhiễu captcha Một thành phần không thể thiếu để tạo nên độ khó của captcha là nhiễu captcha. Hiện nay cách tạo nhiễu của captcha rất phong phú và đa dạng như : a Làm méo, bẻ cong ký tự theo nhiều hình dạng b Phủ các thành phần làm nhiễu lên captcha như chấm hạt, các đoạn gạch ngang, các mảng màu khác biệt v. phủ lên ký tự c Đổi màu ngẫu nhiên các thành phần nhiễu và cả ký tự trên captcha d Biến đổi độ đậm nhạt ngẫu nhiên các thành phần nhiễu và cả ký tự trên captcha e Phối hợp ngẫu nhiên một hoặc nhiều các phương pháp trên Nguyễn Duy Anh 3 Cơ sở toán cho tin học LUAN VAN CHAT LUONG download : add [e-mail] Luận văn thạc sĩ Phân loại và nhận dạng tự động các ký tự trong ảnh captcha Hình 1.2 giới thiệu một số mẫu captcha phổ biến hiện nay được tạo nhiễu bởi phương pháp phối hợp nhiều kiểu nhiễu (e). Các kiểu nhiễu của captcha được tùy biến rất phong phú và đa dạng nhưng không phối hợp quá nhiều kỹ thuật làm nhiễu vì sẽ gây khó khăn cả cho con người khi nhận dạng.2: Một số mẫu captcha được tạo nhiễu bởi phương pháp phối hợp ngẫu nhiên một hoặc nhiều loại nhiễu khác nhau Trong mỗi công cụ sinh captcha nhất định sau khi sinh captcha luôn tạo kèm một bộ giải captcha tự dộng.

Bộ giải này luôn đi kèm với bộ sinh captcha khi dùng trong các hệ thống thực tế và cũng trở thành mục tiêu tấn công chính của các hacker hiện nay.4 Các phương pháp nhận dạng captcha tự động Ngày nay captcha được sử dụng rất phổ biến như một thành phần quan trọng trong quy trình bảo mật an ninh an toàn thông tin. Song hành với điều này các nỗ lưc trong việc tự động hóa các cuộc tấn công nhằm vào các website như: quảng cáo quy mô lớn, can thiệp vào các hệ thống bình chọn trực tuyến, tấn công từ chối dịch vụ các website; Tạo ra các liên kết giả để nâng hạng của website trong các máy tìm kiếm; Truy cập thông tin bí mật hoặc lây lan mã độc v. Từ đó nhu cầu đánh giá và kiểm định và nâng cấp độ an toàn của mỗi loại captcha trước khi đưa vào sử dụng trong thực tế là rất cần thiết. Phương pháp cụ thể và phổ biến nhất là nghiên cứu và tìm ra cách tấn công giả định vào các mẫu captcha, hay chính là thực hiện nhận dạng captcha tự động bằng máy không phải con người để phủ định mục đích chính mà captcha được tạo ra.

Nhận dạng tự động captcha được chia thành 2 kỹ thuật chính là nhận dạng cứng và nhận dạng mềm. Nhận dạng cứng Nhận dạng cứng là một phương pháp nhận dạng tự động mang tính kỹ thuật Nguyễn Duy Anh 4 Cơ sở toán cho tin học LUAN VAN CHAT LUONG download : add [e-mail] Luận văn thạc sĩ Phân loại và nhận dạng tự động các ký tự trong ảnh captcha cao. Phương pháp này tập trung vào các điểm yếu trong quá trình sinh và kiểm tra thông qua bộ giải captcha. Các phương pháp này sử dụng nhiều cách khác nhau để vượt qua bước kiểm tra captcha, trong đó có hai hướng phổ biến nhất là tấn công vào máy khách và tấn công vào máy chủ [2].

Một số dạng tấn công máy khách: - Tấn công vào các trường ẩn và vùng lưu trữ trên máy khách: bằng nhiều thủ thuật khác nhau, người tấn công có thể khai thác được bộ giải captcha nằm trong các trường ẩn và vùng lưu trữ của máy khách do đặc điểm kém an toàn của nó. - Tấn công lựa chọn giá trị chuỗi CAPTCHA: trong trường hợp bộ sinh captcha đặt ở máy khách và bộ giải captcha ở máy chủ thì người tấn công vẫn có thể lấy được một số thông tin chuỗi captcha nhất định trong bộ giải đặt ở máy chủ và sử dụng nó để tấn công captcha. Một số dạng tấn công máy chủ: - Tấn công bằng bảng Rainbow cho CAPTCHA: dựa vào việc có thể tải về một lượng lớn captcha mã định danh tĩnh của website. Những captcha này có thể được nhận dạng sẵn vào 1 bảng Rainbow và sẽ có lời giải tự động ngay khi một captcha có sự trùng lặp.

- Tấn công CAPTCHA tích lũy: khai thác điểm yếu các lời giải captcha tích lũy trong phiên HTTP và sự chuyển tiếp giữa captcha cũ mới chưa hoàn toàn để dùng lời giải giả mạo nhưng vẫn được chấp nhận bởi bộ kiểm tra của captcha. - Tấn công bằng cách sử dụng con người để nhận dạng: dạng tấn công lợi dụng lao động giá rẻ ở một số quốc gia để thực hiện nhận dạng hỗ trợ cho các phương pháp tấn công khác. Nhận dạng mềm Nhận dạng mềm là một phương pháp nhận dạng tự động mang tính học thuật cao.