Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA
Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να διερευνήσει και αν είναι δυνατόν να αποκρυπτογραφήσει με τη βοήθεια της μηχανικής μάθησης, την τεχνολογία του διαδεδομένου τεστ Captcha. Τo Captcha με το ακρωνύμιο Completely Automated Public Turing test to tell Computers and Humans Apart, περιγρά...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2017
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/10645 |
| id |
nemertes-10889-10645 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Τεχνητή νοημοσύνη Machine learning Neural networks Support vector machines Artifitial intelligence 006.31 |
| spellingShingle |
Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Τεχνητή νοημοσύνη Machine learning Neural networks Support vector machines Artifitial intelligence 006.31 Μπονάρος, Βασίλειος Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| description |
Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να διερευνήσει και αν είναι δυνατόν να αποκρυπτογραφήσει με τη βοήθεια της μηχανικής μάθησης, την τεχνολογία του διαδεδομένου τεστ Captcha. Τo Captcha με το ακρωνύμιο Completely Automated Public Turing test to tell Computers and Humans Apart, περιγράφει ένα είδος αυτόματου τεστ διαδικτυακής αναγνώρισης του χρήστη, με στόχο να εξετάσει αν πρόκειται για δράση πραγματικού ανθρώπου ή για κάποια υπολογιστική δράση. Συνηθίζεται τα captcha τεστ να εμφανίζονται στο διαδίκτυο στο κάτω μέρος μιας φόρμας επικοινωνίας, ως ένα τεστ με παραμορφωμένες εικόνες γραμμάτων και αριθμών σε διάφορα μεγέθη και χρώματα, όπου ζητείται από τον χρήστη να διαβάσει με το ανθρώπινο μάτι το συνδυασμό των γραμμάτων και αριθμών που βλέπει στην οθόνη, να τα πληκτρολογήσει σωστά και να τα αποστείλει, επιβεβαιώνοντας με αυτό τον τρόπο οτι πρόκειται για πραγματική ανθρώπινη νοημοσύνη.
Στην παρούσα διπλωματική εργασία θα διερευνήσουμε λεπτομερώς τον τρόπο λειτουργίας του Captcha, με στόχο δυνατότητα που έχουν 2 μοντέλα μηχανικής μάθησης: α. τα νευρωνικά δίκτυα και β. οι μηχανές διανυσμάτων υποστήριξης να ξεπεράσουν την ανθρώπινη νοημοσύνη και ικανότητα να συμπληρώνουν σωστά τα Captcha test. Η μεθοδολογία που θα ακολουθήσουμε είναι αρχικά η έρευνα και η αναζήτηση της χρησιμότητας των Captcha τεστ. Στη συνέχεια, θα εστιάσουμε σε θεμελιώδεις έννοιες νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης σχετικά με τον τρόπο που διαχειρίζονται προβλήματα ταξινόμησης, όπως της συνήθης πρακτικής των προβλημάτων Captcha. Τέλος, με τη μέθοδο σύγκρισης θα βγάλουμε συμπεράσματα για τα 2 μοντέλα και τη δυνατότητά τους να προσομοιάσουν μια ανθρώπινη ικανότητα αναγνώρισης χαρακτήρων του Captcha.
Από αυτή την παραπάνω πειραματική διαδικασία, στα πλαίσια της παρούσης διπλωματικής εργασίας, διαπιστώνεται ότι το μοντέλο νευρωνικών δικτύων υπερτερεί σε ακρίβεια, ενώ το μοντέλο μηχανών διανυσμάτων υποστήριξης είναι συντριπτικά ανώτερο στο χρόνο που απαιτείται για την εκπαίδευσή του. |
| author2 |
Σωτήριος, Κωτσιαντής |
| author_facet |
Σωτήριος, Κωτσιαντής Μπονάρος, Βασίλειος |
| format |
Thesis |
| author |
Μπονάρος, Βασίλειος |
| author_sort |
Μπονάρος, Βασίλειος |
| title |
Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| title_short |
Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| title_full |
Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| title_fullStr |
Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| title_full_unstemmed |
Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA |
| title_sort |
χρήση μηχανικής μάθησης για αναγνώριση captcha |
| publishDate |
2017 |
| url |
http://hdl.handle.net/10889/10645 |
| work_keys_str_mv |
AT mponarosbasileios chrēsēmēchanikēsmathēsēsgiaanagnōrisēcaptcha AT mponarosbasileios captcharecognitionusingmachinelearning |
| _version_ |
1771297235131170816 |
| spelling |
nemertes-10889-106452022-09-05T14:00:57Z Χρήση μηχανικής μάθησης για αναγνώριση CAPTCHA CAPTCHA recognition using machine learning Μπονάρος, Βασίλειος Σωτήριος, Κωτσιαντής Κωτσιαντής, Σωτήριος Γράψα, Θεοδούλα Ράγγος, Όμηρος Mponaros, Vasileios Μηχανική μάθηση Νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης Τεχνητή νοημοσύνη Machine learning Neural networks Support vector machines Artifitial intelligence 006.31 Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να διερευνήσει και αν είναι δυνατόν να αποκρυπτογραφήσει με τη βοήθεια της μηχανικής μάθησης, την τεχνολογία του διαδεδομένου τεστ Captcha. Τo Captcha με το ακρωνύμιο Completely Automated Public Turing test to tell Computers and Humans Apart, περιγράφει ένα είδος αυτόματου τεστ διαδικτυακής αναγνώρισης του χρήστη, με στόχο να εξετάσει αν πρόκειται για δράση πραγματικού ανθρώπου ή για κάποια υπολογιστική δράση. Συνηθίζεται τα captcha τεστ να εμφανίζονται στο διαδίκτυο στο κάτω μέρος μιας φόρμας επικοινωνίας, ως ένα τεστ με παραμορφωμένες εικόνες γραμμάτων και αριθμών σε διάφορα μεγέθη και χρώματα, όπου ζητείται από τον χρήστη να διαβάσει με το ανθρώπινο μάτι το συνδυασμό των γραμμάτων και αριθμών που βλέπει στην οθόνη, να τα πληκτρολογήσει σωστά και να τα αποστείλει, επιβεβαιώνοντας με αυτό τον τρόπο οτι πρόκειται για πραγματική ανθρώπινη νοημοσύνη. Στην παρούσα διπλωματική εργασία θα διερευνήσουμε λεπτομερώς τον τρόπο λειτουργίας του Captcha, με στόχο δυνατότητα που έχουν 2 μοντέλα μηχανικής μάθησης: α. τα νευρωνικά δίκτυα και β. οι μηχανές διανυσμάτων υποστήριξης να ξεπεράσουν την ανθρώπινη νοημοσύνη και ικανότητα να συμπληρώνουν σωστά τα Captcha test. Η μεθοδολογία που θα ακολουθήσουμε είναι αρχικά η έρευνα και η αναζήτηση της χρησιμότητας των Captcha τεστ. Στη συνέχεια, θα εστιάσουμε σε θεμελιώδεις έννοιες νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης σχετικά με τον τρόπο που διαχειρίζονται προβλήματα ταξινόμησης, όπως της συνήθης πρακτικής των προβλημάτων Captcha. Τέλος, με τη μέθοδο σύγκρισης θα βγάλουμε συμπεράσματα για τα 2 μοντέλα και τη δυνατότητά τους να προσομοιάσουν μια ανθρώπινη ικανότητα αναγνώρισης χαρακτήρων του Captcha. Από αυτή την παραπάνω πειραματική διαδικασία, στα πλαίσια της παρούσης διπλωματικής εργασίας, διαπιστώνεται ότι το μοντέλο νευρωνικών δικτύων υπερτερεί σε ακρίβεια, ενώ το μοντέλο μηχανών διανυσμάτων υποστήριξης είναι συντριπτικά ανώτερο στο χρόνο που απαιτείται για την εκπαίδευσή του. The purpose of this thesis is to research and if possible to decipher using machine learning, the technology of the widespread Captcha test. Captcha, Completely Automated Public Turing test to tell Computers and Humans Apart, describes a kind of an automated user identification test to determine whether the user is real human or some computational action. Captcha tests are usually met on the Internet at the bottom of a contact form as a test with distorted images of letters or numbers in different sizes and colors, and ask the user to read with human eye the letters and numbers combination, type them correctly and send them, confirming that this is human intelligence. In this thesis we will investigate the way Captcha works, using the ability of the two following models of machine learning: a.Neural networks and b. support vectors machines to overcome the human intelligence and their ability to fill in correctly the Captcha test. The methology we are going to follow is initially the research of the usefulness of the Captcha test. Next, we will focus on fundamental concepts of neural networks and support vector machines and on how they handle classification problems such as the usual practice of Captcha test. Finally using the comparison method we will draw some conclusions on these two models and their ability to simulate human character recognition of Captcha characters. From this experimental process and in context of this thesis, it is found that the neural network model outperforms in precision while the support vector machine is overwhelmingly superior in training time. 2017-08-25T06:54:22Z 2017-08-25T06:54:22Z 2017-07-20 Thesis http://hdl.handle.net/10889/10645 gr 0 application/pdf |
