Padua විශ්ව විද්‍යාලයේ (ඉතාලිය) සහ ඩෙල්ෆ්ට් විශ්ව විද්‍යාලයේ (නෙදර්ලන්තයේ) පර්යේෂකයන් කණ්ඩායමක් ස්වයංක්‍රීය ටෙලර් යන්ත්‍රයක අතින් ආවරණය කරන ලද ආදාන ප්‍රදේශයේ වීඩියෝ පටිගත කිරීමකින් ඇතුළත් කළ PIN කේතයක් ප්‍රතිනිර්මාණය කිරීම සඳහා යන්ත්‍ර ඉගෙනීම භාවිතා කිරීමේ ක්‍රමයක් ප්‍රකාශයට පත් කර ඇත. . ඉලක්කම් 4 ක PIN කේතයක් ඇතුළත් කරන විට, අවහිර කිරීමට පෙර උත්සාහයන් තුනක් කිරීමේ හැකියාව සැලකිල්ලට ගනිමින් නිවැරදි කේතය පුරෝකථනය කිරීමේ සම්භාවිතාව 41% ලෙස ඇස්තමේන්තු කර ඇත. ඉලක්කම් 5ක PIN කේත සඳහා, අනාවැකි සම්භාවිතාව 30% කි. වෙනම අත්හදා බැලීමක් සිදු කරන ලද අතර, ස්වේච්ඡා සේවකයන් 78 දෙනෙකු සමාන පටිගත කරන ලද වීඩියෝ වලින් PIN කේතය පුරෝකථනය කිරීමට උත්සාහ කළහ. මෙම අවස්ථාවෙහිදී, සාර්ථක පුරෝකථනය කිරීමේ සම්භාවිතාව උත්සාහ තුනකින් පසුව 7.92% කි.
ස්වයංක්‍රීය ටෙලර් යන්ත්‍රයක ඩිජිටල් පුවරුව ඔබේ අත්ලෙන් ආවරණය කරන විට, ආදානය කර ඇති අතේ කොටස අනාවරණ වී ඇති අතර, එය අතේ පිහිටීම වෙනස් කිරීමෙන් සහ සම්පූර්ණයෙන්ම ආවරණය නොවූ ඇඟිලි මාරු කිරීමෙන් ක්ලික් කිරීම් පුරෝකථනය කිරීමට ප්‍රමාණවත් වේ. එක් එක් ඉලක්කම්වල ආදානය විශ්ලේෂණය කිරීමේදී, ආවරණ අතේ පිහිටීම සැලකිල්ලට ගනිමින් පද්ධතිය එබිය නොහැකි යතුරු ඉවත් කරයි, තවද යතුරු ඇති ස්ථානයට සාපේක්ෂව එබීම සඳහා ඇති ස්ථානය මත එබීමට බොහෝ දුරට ඉඩ ඇති විකල්ප ගණනය කරයි. . ආදාන හඳුනාගැනීමේ සම්භාවිතාව වැඩි කිරීම සඳහා, යතුරු එබීම් වල ශබ්දය අතිරේකව පටිගත කළ හැකිය, එය එක් එක් යතුර සඳහා තරමක් වෙනස් වේ.
මෙම අත්හදා බැලීමේදී convolutional neural network (CNN) සහ LSTM (Long Short Term Memory) ගෘහ නිර්මාණ ශිල්පය මත පදනම් වූ පුනරාවර්තන ස්නායුක ජාලයක් භාවිතා කිරීම මත පදනම් වූ යන්ත්‍ර ඉගෙනුම් පද්ධතියක් භාවිතා කරන ලදී. එක් එක් රාමුව සඳහා අවකාශීය දත්ත උකහා ගැනීම සඳහා CNN ජාලය වගකිව යුතු අතර, LSTM ජාලය කාලය වෙනස් වන රටා උපුටා ගැනීම සඳහා මෙම දත්ත භාවිතා කළේය. සහභාගිවන්නන්-තෝරාගත් ආදාන ආවරණ ක්‍රම භාවිතා කරමින් PIN කේත ඇතුළු කරන විවිධ පුද්ගලයින් 58 දෙනෙකුගේ වීඩියෝ මත මෙම ආකෘතිය පුහුණු කරන ලදී (සෑම සහභාගිවන්නෙකුම විවිධ කේත 100 ක් ඇතුළත් කර ඇත, එනම්, ආදාන උදාහරණ 5800 ක් පුහුණුව සඳහා භාවිතා කරන ලදී). පුහුණුව අතරතුර, බොහෝ පරිශීලකයින් ආදානය ආවරණය කිරීමේ ප්‍රධාන ක්‍රම තුනෙන් එකක් භාවිතා කරන බව අනාවරණය විය.
යන්ත්‍ර ඉගෙනීමේ ආකෘතිය පුහුණු කිරීම සඳහා, Xeon E5-2670 ප්‍රොසෙසරයක් මත පදනම් වූ සේවාදායකයක් 128 GB RAM සහ 20GB මතකයක් සහිත Tesla K5m කාඩ්පත් තුනක් භාවිතා කරන ලදී. Keras පුස්තකාලය සහ Tensorflow වේදිකාව භාවිතයෙන් මෘදුකාංග කොටස Python වලින් ලියා ඇත. ස්වයංක්‍රීය ටෙලර් යන්ත්‍ර ආදාන පැනල වෙනස් වන අතර අනාවැකි ප්‍රතිඵලය යතුරු ප්‍රමාණය සහ ස්ථලකය වැනි ලක්ෂණ මත රඳා පවතින බැවින්, එක් එක් වර්ගයේ පැනල සඳහා වෙනම පුහුණුවක් අවශ්‍ය වේ.
යෝජිත ප්‍රහාර ක්‍රමයට එරෙහිව ආරක්‍ෂා කිරීමේ පියවර ලෙස, හැකි නම්, අංක 5 වෙනුවට ඉලක්කම් 4 ක PIN කේත භාවිතා කිරීම නිර්දේශ කරනු ලැබේ, තවද ඔබේ අතින් ආදාන ඉඩ ප්‍රමාණය හැකිතාක් ආවරණය කිරීමට උත්සාහ කරන්න (ක්‍රමය ඵලදායී නම් ආදාන ප්‍රදේශයෙන් 75% ක් පමණ ඔබේ අතින් ආවරණය වී ඇත). ස්වයංක්‍රීය ටෙලර් යන්ත්‍ර නිෂ්පාදකයින් ආදානය සඟවන විශේෂ ආරක්ෂිත තිර භාවිතා කිරීම නිර්දේශ කරනු ලැබේ, මෙන්ම යාන්ත්‍රික නොවන නමුත් ස්පර්ශ ආදාන පැනල්, අහඹු ලෙස වෙනස් වන සංඛ්‍යා වල පිහිටීම.
මූලාශ්රය: opennet.ru