风控要略 百度网盘(风控要略·互联网业务反欺诈之路.pdf下载)

本文节选自《风控要略》电子版：

ccNN4国画王ESequeneialearmerMX站。oupuanm图6.16”Al识别算法(KNN、CNN、LSTM)这也是为什么字符验证码至今还存在的原因，黑产攻击的成本要大于厂商去微调或直接更换一个验证码的成本。厂商的思路是就算当前验证码被破解了，换一个新的验证类型，攻击者仍需要收集大量的样本来重新训练模型。近几年，一种名为对抗生成网络(GAN)的技术，打破了字符验证码设计者、使用者的途幸心理。对抗生成网络是一种无中生有的技术，它可以无限地生成你想要的数据。所以我们可以利用它的这个特性，来解决在字符验证码识别中需要的样本问题。我们假设识别一种字符验证码需要200万张图片样本，以现在市场上人力打码成本一张验证码图片0.0005元来计算，需要化费至少1万元。而使用对抗生产网络生成样本不化费钱，并且生成的样本量是无限大的。如图6.17所示为2018年中国西北大学公布的一个利用对抗生成网络识别验证码的框架。他们提出的验证码识别工具主要包括3个模块:验证码生成网络、预处理模型和最终的求解器。这里我们主要关注第一个模块，看看这个验证码生成网络是如何工作的。一个对抗生成网络由一个生成器和一个判别器组成，在这里生成器的功能是按照真实验证码图片的样子生成近似的图片，而判别器的功能则是判断输入的图片是否是生成器生成的。当生成器

风控要略互联网业务反欺诈之路

有超过95%的概率可以骗过判别器时，我们认为它生成的图片已经基本可以蔡代真实验证码图片来用于训练了。图6.17”对抗生成网络识别验证码的框架这个方法仅仅使用了500张真实图片，就能够达到比使用200万张图片样本训练更高的准确率。对抗生成网络方法的出现基本宣告了字符验证码退出历史舞台。6.2.2”新型验证码的识别近几年，腾讯、网易、极验等厂商都相继推出了“滑块拼图”和“图文点选”两种类型的验证码，“滑块拼图”要求用户拖动滑块，去完成这个拼图。“图文点选”要求用户按照给定的文字顺序，依次点击图中的文字。这些新出的形式，比字符验证码更加符合一般人的认知，对人类更加友好，同时也引入了一个新的机器学习的领域，将目标检测加入人机对抗之中。由于Al技术的快速发展，这类图片验证码比字符验证码更容易被攻破。6.2.2.1”涓块拼图验证码识别如图6.18所示为一个常见的滑块拼图验证码。8加二罗忆图6.18”滑块拼图验证码对于滑块拼图验证码，我们需要检测的特征目标就是滑块的缺口。想要识别缺口，一个简单的方法是遍历寻找色差最大的和矩形。如果希望达到非常高的准确率，那么可以利用机器学习模型。按照最常规的目标检测任务的步骤进行样本打标、模型训练，最后就可以通过该模型非常简单地得到滑块需要滑到的位置。当然，还有更便捷的方法，OpenCyV提供了强

风控要略电子书

大的APl库，如图6.19所示，只需要提供带有缺口的验证码图片，不需要训练样本就可以匹配出缺口的位置，识别准确率高达95%。在识别滑块位置以后，还需要模拟滑动轨迹，每家验证码厂商的轨迹识别算法各不相同，但总体而言都有很大概率被绕过。因此，滑块拼图验证码在对抗Al方面的效果逐渐消失。#使用cv库，在还原后的验证码图片里寻找缺口resulLt=CV2.rTemplLate(target，tempLate，Ccv2.TM_CCOEFF_NORMED)##找到相关度最大的点的位置x，y=npunravel_index(resutLt,.argmax()，FresuLt.shape)图6.19”滑块拼图验证码缺口识别6.2.2.2”图文点选验证码识别图文点选验证码如图6.20所示，我们在定位到图形或文字的位置后，会增加一步分类的工作。找到了图形或文字所在位置，还需要知道它是第几个点击目标。从原理中可以看出，图文点选并未大幅提升破解的难度和成本。还有一种带有语义理解的图文点选验证码，问题中并未说明依次点击什么文字，而是需要用户将图片中的文字自行组合成词语。因其需要依赖于用户的语文基础将文字组成一个顺畅的词语，再依次按顺序点击，大大提高了破解的难度和成本。但是从真实用户的角度分析，用户体验并不友好，往往需要尝试多次才能通过验证。

风控要略pdf下载

综上：风控要略·互联网业务反欺诈之路.pdf下载值得推荐阅读