University of Padua (အီတလီ) နှင့် University of Delft (နယ်သာလန်) တို့မှ သုတေသီအဖွဲ့တစ်ဖွဲ့သည် ATM ၏ လက်ဖြင့်ဖုံးထားသော ငွေဖြည့်သွင်းဧရိယာကို ဗီဒီယိုရိုက်ကူးမှုမှ ထည့်သွင်းထားသော PIN ကုဒ်ကို ပြန်လည်တည်ဆောက်ရန်အတွက် စက်သင်ယူမှုကို အသုံးပြုသည့်နည်းလမ်းကို ထုတ်ပြန်ခဲ့သည်။ . ဂဏန်း 4 လုံး PIN ကုဒ်ကို ရိုက်ထည့်သောအခါ၊ ပိတ်ဆို့ခြင်းမပြုမီ ကြိုးပမ်းမှုသုံးကြိမ်ပြုလုပ်နိုင်ခြေကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် မှန်ကန်သောကုဒ်ကို ခန့်မှန်းနိုင်ခြေ 41% တွင် ခန့်မှန်းထားသည်။ ဂဏန်း 5 လုံး PIN ကုဒ်များအတွက်၊ ခန့်မှန်းခြေ ဖြစ်နိုင်ခြေမှာ 30% ဖြစ်သည်။ အလားတူ မှတ်တမ်းတင်ဗီဒီယိုများမှ ပင်နံပါတ်ကုဒ်ကို စေတနာ့ဝန်ထမ်း ၇၈ ဦးက ခန့်မှန်းရန် သီးခြားစမ်းသပ်မှုတစ်ခုကို ပြုလုပ်ခဲ့သည်။ ဤကိစ္စတွင်၊ သုံးကြိမ်ကြိုးစားပြီးနောက် အောင်မြင်သောခန့်မှန်းနိုင်ခြေသည် 78% ဖြစ်သည်။
ATM စက်၏ ဒစ်ဂျစ်တယ်အကန့်ကို သင့်လက်ဖဝါးဖြင့် ဖုံးအုပ်ထားသည့်အခါတွင် ထည့်သွင်းပြုလုပ်ထားသည့် လက်၏အစိတ်အပိုင်းကို ဖုံးကွယ်ထားဆဲဖြစ်ပြီး လက်၏အနေအထားကိုပြောင်းလဲကာ လုံးလုံးမဖုံးထားသောလက်ချောင်းများကို ရွှေ့ခြင်းဖြင့် ကလစ်များကို ခန့်မှန်းရန် လုံလောက်ပါသည်။ ဂဏန်းတစ်ခုစီ၏ ထည့်သွင်းမှုကို ပိုင်းခြားစိတ်ဖြာသည့်အခါ၊ စနစ်သည် ဖုံးအုပ်ထားသော လက်၏ အနေအထားကို ထည့်သွင်းစဉ်းစား၍ မနှိပ်နိုင်သော သော့များကို ဖယ်ရှားပေးကာ ခလုတ်များ၏ တည်နေရာနှင့် ဆက်စပ်သော တည်နေရာနှင့် ဆက်စပ်၍ နှိပ်နိုင်သော လက်၏ တည်နေရာကို အခြေခံ၍ နှိပ်ရန်အတွက် ဖြစ်နိုင်ခြေအရှိဆုံး ရွေးချယ်မှုများကိုလည်း တွက်ချက်ပေးပါသည်။ . input detection ၏ဖြစ်နိုင်ခြေကို တိုးမြှင့်ရန်အတွက် သော့တံတစ်ခုစီအတွက် အနည်းငယ်ကွဲပြားသည့် သော့ခတ်သံများကို ထပ်လောင်းမှတ်တမ်းတင်နိုင်သည်။
စမ်းသပ်မှုသည် LSTM (Long Short Term Memory) ဗိသုကာကို အခြေခံ၍ convolutional neural network (CNN) နှင့် LSTM (Long Short Term Memory) ဗိသုကာကို အခြေခံ၍ ထပ်တလဲလဲဖြစ်နေသော အာရုံကြောကွန်ရက်ကို အသုံးပြုမှုအပေါ် အခြေခံ၍ စမ်းသပ်မှုတွင် အသုံးပြုခဲ့သည်။ CNN ကွန်ရက်သည် ဖရိန်တစ်ခုစီအတွက် spatial data များကို ထုတ်ယူရန် တာဝန်ရှိပြီး LSTM ကွန်ရက်သည် အချိန်အမျိုးမျိုးသော ပုံစံများကို ထုတ်ယူရန်အတွက် ဤဒေတာကို အသုံးပြုခဲ့သည်။ မော်ဒယ်အား ပါဝင်သူမှ ရွေးချယ်ထားသော ထည့်သွင်းမှုကာဗာနည်းလမ်းများကို အသုံးပြု၍ ပင်နံပါတ်ကုဒ်များထည့်သွင်းသည့် မတူညီသောလူ 58 ဦး၏ ဗီဒီယိုများတွင် လေ့ကျင့်သင်ကြားခြင်းဖြစ်သည် (သင်တန်းသားတစ်ဦးစီသည် မတူညီသောကုဒ် 100 ခုကို ထည့်သွင်းခဲ့သည်၊ ဥပမာ 5800 ထည့်သွင်းမှုနမူနာများကို လေ့ကျင့်ရန်အတွက် အသုံးပြုခဲ့သည်)။ သင်တန်းကာလအတွင်း သုံးစွဲသူအများစုသည် ထည့်သွင်းမှုကို အကျုံးဝင်သည့် အဓိကနည်းလမ်း သုံးခုအနက်မှ တစ်ခုကို အသုံးပြုကြောင်း တွေ့ရှိရပါသည်။
စက်သင်ယူမှုပုံစံကို လေ့ကျင့်ရန်၊ 5 GB RAM ပါသည့် Xeon E2670-128 ပရိုဆက်ဆာကို အခြေခံ၍ ဆာဗာတစ်ခုနှင့် Tesla K20m ကတ်သုံးခုစီကို မန်မိုရီ 5GB ပါသည့် ကတ်များကို အသုံးပြုခဲ့သည်။ ဆော့ဖ်ဝဲလ်အပိုင်းကို Keras စာကြည့်တိုက်နှင့် Tensorflow ပလပ်ဖောင်းကို အသုံးပြု၍ Python ဖြင့် ရေးသားထားသည်။ ATM အဝင်အကန့်များသည် ကွဲပြားပြီး ခန့်မှန်းရလဒ်ရလဒ်များသည် သော့အရွယ်အစားနှင့် topology ကဲ့သို့သော လက္ခဏာများပေါ်တွင်မူတည်သောကြောင့်၊ panel အမျိုးအစားတစ်ခုစီအတွက် သီးခြားလေ့ကျင့်ရန် လိုအပ်ပါသည်။
အဆိုပြုထားသည့် တိုက်ခိုက်မှုနည်းလမ်းကို ကာကွယ်ရန် အစီအမံများအနေနှင့် ဖြစ်နိုင်လျှင် ဂဏန်း 5 လုံးပါသည့် PIN ကုဒ်များကို အသုံးပြုရန် အကြံပြုထားပြီး Input Space ကို သင့်လက်ဖြင့် တတ်နိုင်သမျှ ဖုံးအုပ်ရန် ကြိုးစားပါ (နည်းလမ်းသည် ထိရောက်ပါက၊ ထည့်သွင်းဧရိယာ၏ 4% ခန့်ကို သင့်လက်ဖြင့် ဖုံးအုပ်ထားသည်။) ATM ထုတ်လုပ်သူများသည် ထည့်သွင်းမှုကို ဖုံးကွယ်ထားသည့် အထူးအကာအကွယ်စခရင်များကို အသုံးပြုရန် အကြံပြုထားပြီး စက်ပိုင်းဆိုင်ရာမဟုတ်သော်လည်း ထိတွေ့ထည့်သွင်းသည့်အကန့်များ၊ ကျပန်းပြောင်းလဲနေသည့် နံပါတ်များ၏ အနေအထားကို အသုံးပြုရန် အကြံပြုထားသည်။
source: opennet.ru