面向鲁棒的验证码设计：一种结合校准与公平性分析的多智能体课程学习方法

《IEEE Access》：Towards Robust CAPTCHA Design: A Multi-Agent Curriculum Learning Approach with Calibration and Fairness Analysis

　　

摘要：

传统的验证码系统用于区分人类用户与自动化机器人。机器学习与光学字符识别（OCR）的最新进展已大幅降低了传统固定式设计的有效性。本研究提出了一种基于课程学习的自适应验证码系统，该系统集成了挑战生成、多画像对抗模拟与人类行为建模，并通过闭环反馈机制动态调整挑战难度。在每次课程迭代中，从预定义的弱、中、强三类对抗画像中采样一个攻击者画像，为课程自适应提供多样化的反馈。攻击者组件代表多个对抗能力级别，并为基于课程学习的自适应提供性能反馈。与现有方法不同，所提出的框架将基于扭曲的扰动与熵感知变换集成到课程学习范式中，使安全/可用性平衡的优化能够逐步且一致地进行。为实现定量性能评估，本研究提出了对抗鲁棒性指数（ARI），该单一指标可同时评估挑战难度、人类成功率及对自动化攻击的抵抗能力。此外，还提出了一种难度的非线性公式以建模复杂度的一致性。本研究结果表明，所建议的方法实现了平均ARI为0.7775 ± 0.0278，机器人成功率降至0.0646（较基线提升78.46%），而人类表现得分保持在较高的0.8515。此外，校准分析显示期望校准误差（ECE）为0.0018，表明预测的自动化攻击成功概率与经验观测到的攻击结果之间具有高度一致性。广泛的评估包括组件敏感性分析、随验证码难度递增的可用性一致性分析、压力测试等……

展开更多