Solução de Captcha Baseado em Imagem Utilizando Classificadores Multiclasse e de Classe Única
Nome: WAYNER MOYSES MARCELINO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 24/09/2021
Orientador:
Nome |
Papel |
|---|---|
| FABIANO PETRONETTO DO CARMO | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| AFONSO PAIVA NETO | Examinador Externo |
| ALCEBIADES DAL COL JÚNIOR | Examinador Externo |
| FABIANO PETRONETTO DO CARMO | Orientador |
| THALES MIRANDA DE ALMEIDA VIEIRA | Coorientador |
Resumo: O uso de CAPTCHA hoje é comum para a proteção de serviços de internet para garantir seu bom e seguro funcionamento, no entanto, pode ser um inconveniente para alguns usuários que queiram acesso à esses serviços de forma correta. Um desses usuários são os robôs que, sem nenhuma intenção desonesta, são desenvolvidos para a automação de processos nas empresas. Um dos principais tipos de CAPTCHA utilizados é o baseado em imagens que consiste na escolha das imagens do objeto solicitado dentre imagens distintas, sendo o reCAPTCHA da Google o mais utilizado. O objetivo deste trabalho é dotar um modelo que seja capaz de solucionar esses desafios sem explorar qualquer vulnerabilidade técnica e que possa ser utilizado por ferramentas de automação de processos. Foram estudados e treinados 3 modelos: um multiclasse, implementada numa rede neural convolucional (CNN), e dois
de classe única conhecidos como One-Class SVM (OC-SVM) e kernel PCA (kPCA). Os três modelos foram treinados com um banco de imagens disponível na internet e avaliados sobre um conjunto de desafios formados por imagens obtidas no próprio reCAPTCHA. Foram elaborados quatro cenários de avaliação que se diferem pela forma de escolha das imagens e pelo critério para determinar se o desafio foi solucionado. Nos dois primeiros cenários o modelo CNN teve melhor desempenho com 55% dos desafios solucionados. O modelo kPCA e OC-SVM tiveram desempenho semelhante no terceiro cenário resolvendo 46 e 44% dos desafios, respectivamente. No quarto e último cenário o kPCA resolveu 71% dos desafios, enquanto o OC-SVM apenas 65%.
Nestes últimos cenários o modelo CNN não foi avaliado por não ser aplicável a eles.
