验证码已失效:彻底打败图灵测试安全机制的生成视觉模型
首页>>信息安全>>正文

目录

    摘要:从少数几个例子中学习并将其概括为截然不同的情况,人类视觉智能的能力尚未被领先的机器学习模型所匹配。通过从系统神经科学的灵感,我们引入了视觉的概率生成模型,其中基于消息传递的推理以统一的方式处理识别,分割和推理。该模型表现出优秀的泛化和遮挡推理能力,并且在具有挑战性的场景文本识别基准上胜过深层神经网络,同时数据效率高达300倍。此外,该模型基本上打破了现代基于文本的CAPTCHAs的防御,通过在不使用CAPTCHA特定启发式的情况下,将角色进行逐段分割。

    从几个例子中学习和概括的能力是人类智力的标志(1)。CAPTCHA,网站使用的阻止自动化交互的图像,是人类易于使用但对计算机困难的问题的例子。

     

    CAPTCHAs对于算法很难,因为它们将杂乱和人气信件加在一起,为字符分类器创建了一个鸡蛋和鸡蛋问题 - 分类器对于已被分割的字符运行良好,但分割单个字符需要了解字符,其中的每一个可能在方式(一个组合数被渲染2 - 5)。最近深入学习的方法来解析一个特定的CAPTCHA样式,需要数百万个标记的例子(6),和之前的方法主要依靠手工制作的特定样式的启发式分割出的字符(3,7); 而人类可以在没有明确训练的情况下解决新的风格(图1A)。字母形式可以呈现并仍然被人们理解的各种各样的方式在图1中表示

    道格拉斯·霍夫斯塔特(Douglas Hofstadter)在设计的灵活性方面迈出了重要的一步,他表示:“任何一个程序都能以人的灵活性处理字体,所以必须拥有全面的人工智能”(8)。许多研究人员推测,这可以通过结合视觉皮层的诱导性偏倚来实现(9 - 12),利用神经科学和认知科学研究产生的丰富数据。在哺乳动物的脑中,在视觉皮层反馈连接在图形-背景分割中发挥作用,并且在基于对象的自上向下的关注,即使当部分透明物体占据相同的空间位置(13 - 16),分离的物体的轮廓。视觉皮层的外侧连接与轮廓连续性有关(17,18)。轮廓和表面使用相互作用(单独的机制为代表的19 - 21),使得能够识别和想象出具有异常外观的物体 - 例如由冰制成的椅子。皮质激活的时间和地形提供了等高线表面表示和推理算法的线索。基于皮质功能的这些见解尚未纳入领先的机器学习模型。

    我们引入称为递归皮质网络(RCN)的分层模型,包含在结构化概率生成模型中的框架(这些神经科学的见解5,24 - 27)。

     

    除了开发RCN及其学习和推理算法之外,我们将该模型应用于各种视觉认知任务,这些任务需要从一个或几个培训示例中进行概括:分析CAPTCHAs,一次和几次识别并产生手写数字,闭塞推理和场景文本识别。然后,我们将其性能与最先进的模型进行比较。

     

    递归皮层网络

    RCN建立在现有的组成模型(24,28 - 32)的重要方式[第6(33)]。虽然基于语法的模型(24)具有基于来自语言学知识的想法的优点,但是它们将解释限制为单个树,或者在使用归因关系时计算不可行(32)。关于AND-OR模板和树结构化组合模型(34)的开创性工作具有简化推理的优点,但由于缺乏横向约束,缺乏选择性(35)。从另一个重要的一类(型号25,29)使用横向约束,而不是通过池化结构逐渐建立不变性(36),它们使用参数变换来完成每个级别的完整的缩放,旋转和平移不变性。需要自定义推理算法,但这些算法在传播局部相互作用之外的横向约束效应方面无效。(37)中轮廓和曲面的表示不会对其交互进行建模,而是将其建模为独立机制。RCN和组合机(CM)(32)分享了将组合模型想法放在图形模型中的动机。然而,CM的“组合分布”的代表性选择,使用单层随机变量来折叠特征检测,汇集和横向协调,导致扩展的状态空间,从而将模型限制为贪心推理和解析过程。一般来说,由于各种各样的表现形式的选择,组合模型的推论依赖于不同模型实例的定制方法,包括求解随机偏微分方程(30),基于抽样的算法(24)和修剪动态规划(29)。

     

    RCN将组合模型,层次组合,逐渐建立不确定性,侧向连接,选择性,轮廓面分解和基于解释解释的组合模型集成并构建成一个结构化概率图形模型,使信任传播(38)可以用作主要的近似推理机[(33)的第6节]。实验性神经科学数据提供了代表性选择的重要指导[(33)] 第7节,然后使用实验研究证实有益。我们现在讨论RCN的表示及其推理和学习算法。数学细节在(33)的第2至5节中讨论。

     

    表示

    在RCN中,对象建模为一个组合的轮廓和表面(图2A)。轮廓出现在表面的边界处,无论是在对象的轮廓和组成对象的曲面之间的边界。表面使用条件随机场(CRF)建模,其捕获表面性质变化的平滑度。轮廓使用的特征的组成层次结构(模型化28,39)。轮廓(形状)和表面(外观)的因子表示使得模型能够以显著不同的外观识别物体形状,而不必对每种可能的形状和外观组合进行详尽的训练。下面详细描述形状和外观表示。

    图2B示出了RCN轮廓层级内的两个子网(黑色和蓝色)。图中填充和空的圆形节点分别对应于特征和池的二进制随机变量。每个特征节点编码其子池的AND关系,每个池变量编码其子特征的OR,类似于AND-OR图(34)。表示为矩形“因子节点”的横向约束协调连接到的池之间的选择。可以对应于两个对象或对象部分的两个子网共享较低级别的特征。

     

    图2C示表示平方的轮廓的三级网络。最低,中等和最高水平的特征分别表示线段,拐角和整个正方形。每个池变量都可以通过“中心”特征的不同变形,小翻译,缩放变化等进行集合,从而引入相应的不变性。如图3A所示,在不存在池(图2C中的灰色方块)之间的横向连接的情况下,从表示角部的特征节点生成可能产生不对齐的线段。池之间的横向连接提供了选择性(35)通过确保在一个池中的特征的选择,影响其连接到的池中的特征的选择,创建轮廓变化更平滑的样本。横向约束的灵活性是通过扰动因子来控制的,这是一个每级指定的超参数。通过多层特征集合,横向连接和组合,顶层的特征节点可以表示可以通过一定程度的平移,缩放和变形不变性来识别的对象。

    多个对象通过共享其部件在相同的形状层次结构中表示(图2B)。当当多个家长聚集于单一的孩子的特征(图2B中的特征节点“e” )时,当任何父活动(图形模型中的OR门)时,这将被激活,并且子特征是允许父母双发部分证据是否允许,父母双方不同于AND-OR图表语法的独家共享(24)。即使两个较高级别的功能共享一些相同的较低级别的功能和池,通过为其参与的每个特定更高级别的功能制作较低级别功能的副本,上级功能的侧向网络也是分开的,如图2B所示。类似于高阶网络中使用的状态复制机制,侧向网络的父特定副本用于实现与成对连接相比的高阶交互(40)。这也被认为对于消息传递是重要的,以获得准确的结果,并且让人联想到双重分解中使用的技术(41)。RCN网络中的层次结构扮演着两个角色。首先,它能够通过多个级别逐渐表现变形,扩展层间的变化量(图3B)。第二,层次结构通过共享不同对象之间的特征来提供效率(42)。这两者都通过共享计算实现了有效的学习和推理。

     

    使用成对CRF对曲面进行建模(图3C)。局部表面贴片特性如颜色,纹理或表面法线由分类变量表示,其变化的平滑度由横向因子(图2中的灰色方块)强制执行。轮廓层级生成的轮廓以特定的方式与表面CRF相互作用:轮廓表示在对象之间以及对象与其背景之间出现的表面连续性的断裂,这是由神经生物学启发的表示选择(19)。图3,B和D显示了从RCN生成的样本。

     

    推理

    为了解析场景,RCN在多个场景中保存多个对象实例的分层图。场景的解析可以通过该复合图上的最大后验(MAP)推理来获得,其恢复包括对象身份及其分段的最佳联合配置[(33)的第4节]。虽然RCN网络是非常混乱,我们发现,消息传递(38),与由激活的定时在视觉皮层(启发时间表9,20),导致快速准确的推论。输入图像首先通过PreProc,它使用一组Gabor样过滤器将像素值转换为边缘似然。然后使用在网络中传递的前向和后向消息来识别与对象假设相对应的部分分配,并且通过解决对象假设图上的场景解析问题(图4)找到完整的近似映射解决方案。正向传递给出顶层节点的对数概率的上限。反向传递通过一个接一个的访问一个高得分的前向传递假说,其方式类似于自上而下注意过程(43,44),运行一个假设所有其他节点关闭以找到对象的近似MAP配置的条件推理(图4A)。反向传递可以拒绝许多在正向通过中被错误识别的对象假设。

    全局MAP配置是从前向和后向通过生成的所有对象假设的子集。场景中的对象数量被推断为该MAP解决方案的一部分。除了搜索指数大量的子集之外,找到全局MAP还需要推论不同假设之间的高阶交互。我们开发了一种在线性时间内解决这个问题的近似动态规划(DP)方法。DP算法利用了每个对象假设占据可以在输入图像上表示为2d掩码的连续区域的事实。通过考虑在二维掩模重叠时产生空间连续掩模的对象假设(即解析)的组合,我们通过根据包含在其他掩码中的掩码对它们进行排序来创建解析的拓扑排序。这导致对分数的递归计算,其中只有线性数量的候选分析需要在搜索最佳分析时进行评估。见(33)了解更多细节。

     

    学习

    直到网络倒数第二级的特征和横向连接是使用通用3D对象数据集来进行训练的,该对象数据集是任务不可知的,仅被渲染为轮廓图像。所得到的学习功能从较低级别的简单线段到较高级别的曲线和角落有所不同。

     

    考虑部分学习的模型,其中在k级学习了新特征,其中已经学习并完成了k-1级的特征,并且已经在k级学习了一些特征(图4B)。当提供训练图像时,第一步是使用k级的现有特征找到该图像的轮廓的MAP说明。这与前面提到的找到场景的MAP解决方案的推理问题是一样的。使用k-1级的特征来解析仍然无法解释的轮廓,并从其轮廓连续的连接中提出了新的特征。对于所有训练图像,重复此过程累积对k级不同特征的使用的计数,并且通过优化平衡压缩和重建误差的目标函数来选择该级别的最终特征(31)。相同的过程逐级重复[见(33)第5.1节]。

     

    从输入图像的轮廓连通性中学习了指定池对之间连通性的横向图结构。在第一个合并阶段,具有与输入轮廓相邻的特征的池相互连接。这个过程在层次结构中重复地重复,在较低级别的图形中,从较高级别的邻接推断出横向连接。

     

    最上层的特征表示整个对象。这些是通过找到直到网络的倒数第二级的新对象的MAP配置来获得的,根据输入对象的轮廓连续性将倒数第二级连接池对,然后在倒数第二级存储激活的连接作为最顶层的功能。详见第33节第5节。

     

    一旦下一级特征和横向连接的组合被训练,它们可以通过调整一些超参数((33)的8.3节))来用于不同的域。根据图像和对象大小选择PreProc中的滤镜缩放,并且设置横向连接的灵活性以匹配数据中的失真。此外,最低级别的特征具有“平滑参数”,其设置由于噪声而使边缘像素导通的概率的估计。该参数可以根据域中的噪声电平进行设置。

     

    结果

    如果能以1%(3)以上的速度自动解决,CAPTCHA被认为是破碎的。RCN在打破各种基于文本的CAPTCHA具有很少的培训数据,并且不使用CAPTCHA特定的启发式(图5)有效。能够以66.6%的准确率(字符级准确度为94.3%),BotDetect为64.4%,雅虎为57.4%,PayPal为57.1%的准确率解决reCAPTCHA,显着高于CAPTCHA被认为无效率的1%3)。不同CAPTCHA任务中架构的唯一差异是用于训练的干净字体集,以及几个超参数的不同选择,这取决于CAPTCHA图像的大小和杂乱和变形的数量。这些参数可以直接手动设置,也可以通过注释的人机识别系统的交叉验证自动进行调整。来自CAPTCHAs的嘈杂,混乱和变形的例子不用于训练,但是RCN有效地推广了这些变体。

    对于reCAPTCHA解析精度为66.6%,RCN每个字符只需要五个干净的训练示例。该模型使用三个参数,这些参数影响单个字符如何组合在一起读取一串字符,这些参数都与CAPTCHAs的长度无关,并且对于字符的间距是鲁棒的[ 图5B和8.4 (33)]。除了获得CAPTCHA的转录之外,该模型还提供了对各个字符的高精度分割,如图5A所示。为了比较,reCAPTCHA的人的准确度为87.4%。因为许多输入图像具有多个有效的解释(图5A),所以来自两个人的解析只有81%的时间。

     

    与RCN相比,最先进的CNN(6)需要实际CAPTCHA字符串的50,000倍大的训练集,并且对输入的扰动不太健壮。因为CNN需要大量标签的例子,所以这个对照研究使用了我们创建的CAPTCHA发生器来模拟reCAPTCHA的出现[见(33)]。该方法使用了一组位置特定的CNN,每个CNN都被训练为在特定位置区分字母。训练CNN以达到89.9%的字准确率,需要超过230万个独特的训练图像,从79,000个不同的CAPTCHA字(二维码),使用经翻译的作物进行数据扩增。由此产生的网络故障字符串长度不在训练过程中,更重要的是,网络的识别精度随着对人类几乎不可察觉的人物间距的微小扰动而迅速恶化,15%的间隔精度降低到38.4%并且25%的间距将准确度降低到仅7%。这表明深度学习方法学会了利用特定CAPTCHA的细节,而不是学习用于解析场景的字符模型。图5B)。

     

    BotDetect中的各种角色外观(图5C)显示了为什么轮廓和曲面的因式分解很重要:没有这种因式分解的模型可能会锁定字体的特定外观细节,从而限制了它们的泛化。RCN结果基于来自BotDetect的10种不同风格的CAPTCHAs的测试,所有这些都基于每个字符24个训练样本训练的单个网络进行解析,并在所有样式中使用相同的解析参数。虽然可以使用轮廓信息解析BotDetect CAPTCHAs,但使用外观信息将精度从61.8%提高到64.4%,在所有数据集中使用相同的外观模型。有关详细信息,请参阅(33)的8.4.6节。

     

    RCN在标准MNIST手写数字数据集[(33)第8.7节]中的一次和几次分类任务中胜过其他模型。我们比较了RCN在MNIST上的分类表现,因为我们将培训练示例的数量从每个类别的1个增加到100个。CNN与两个最先进的模型进行比较,LeNet-5(45)和VGG-fc6 CNN(46),其级别预先为ImageNet(47)分类使用数百万图像。选择VGG-CNN的全连接层fc6进行比较,因为与其他预先训练的VGG-CNN水平相比,它为该任务提供了最佳结果,并与使用相同数据的其他预训练的CNN进行了比较设置和边缘预处理作为RCN [(33)的第5.1节]。此外,我们与最近报告了这项任务的最先进表现的组合补丁模型(48)进行了比较。RCN优于CNN和CPM(图6A)。RCN的一次性识别性能分别为76.6%,CPM为68.9%,VGG-fc6为54.2%。RCN对于在测试期间引入的不同形式的杂波也是稳健的,而不必在训练期间将网络暴露于这些变换。相比之下,这种不合格样本的试验例对CNN的泛化性能有很大的不利影响(图6B)。为了将横向连接,前向传递和后向传递给RCN的准确性,我们进行了有选择地关闭这些机制的病变研究。结果总结在图6C中表明所有这些机制对RCN的性能有重大贡献。具有两级特征检测和汇集的RCN网络足以在字符解析任务中获得最佳精度性能。增加层次级数的效果是减少推理时间,详见(33)第8.11节。

    作为生成模型,RCN 在重建损坏的MNIST图像(图7,A和B)方面优于变分自动编码器(VAE)(49)和DRAW(50)。DRAW对于干净的测试集而言优于RCN并不奇怪,因为DRAW正在学习一个过于灵活的模型,几乎可以在重建中复制输入图像,这会在更混乱的数据集上损害其性能[(33)的8.9节]。在Omniglot数据(1)中,单次训练后由RCN产生的实例显示出显着的变化,同时仍然可以被识别为原始类别[ 图7D和(33)的8.6节]。

    为了测试闭塞推理(51 - 53),我们创建了MNIST数据通过将矩形每个验证/检验图像,数字的某些部分是由矩形遮挡和矩形的某些部分是由闭塞设置的变体数字组成[ 图7C和(33)]。这些图像中的遮挡关系不能被推导为对另一个对象的简单分层。该数据集的分类具有挑战性,因为数字的许多部分被矩形遮挡,并且因为矩形充当了杂波。如果检测和分割矩形,则可以使用RCN生成模型解释其对特定数字的证据的影响,从而提高分类和分割的准确性。在这个具有挑战性的数据集上对RCN进行了分类准确性和闭塞推理。分类准确率为47.0%。解释矩形将分类精度提高到80.7%。另外,通过推导矩形和数字之间的遮挡关系,RCN被用来解析场景。图7C,获得了在闭塞区域上测量的0.353的平均交叉点(IOU)为0.353。

     

    最后,RCN在ICDAR-13鲁棒阅读数据集(54)上进行了测试,该数据集是现实世界图像中文本识别的基准(图7E)。对于这个测试,我们增强了解析算法,包括关于n-gram和word统计的先验知识,以及与场景中的字母布局相关的几何先验,包括间距,相对大小和外观一致性[参见33)]。我们针对最近的深入学习方法(55)(表1))将结果与ICDAR比赛的顶级参与者进行了比较。尽管PhotoOCR使用了7.9百万个训练图像,但是RCN模型的表现优于顶级竞争者PhotoOCR 1.9%,而RCN使用基于模型的聚类从25,584个字体图像中选出的1,406个训练图像。除了提供竞争方法不提供的字符(图7E)的详细分割外,RCN在此任务上获得更好的准确性,同时提高数据效率的三十倍。

     

    讨论

    分割电阻,基于文本的验证码的主要防御,一直认为他们的启用了自动生成(一般原则2,3)。虽然具体的验证码已使用特定款式分割启发式之前被打破(3,7),攻击者可以很容易地通过小规模的修改挫败验证码。RCN以一种基本的方式打破了分割防御,并且很少有培训数据,这表明网站应该采用更强大的机制来阻止僵尸。

     

    过去已经成功地使用了组合模型进行通用对象识别和场景解析,而我们的初步实验[(33)第8.12节)也表明RCN也可以应用于这些领域(图8)。该RCN配方开辟了组成模型的图形化模型开发了先进的推理和学习算法,可能导致该建立在真实世界的场景建立在它们之前成功的解析(改善56,57)。尽管作为一个生成模型的优势,RCN需要进行几项改进,以在ImageNet规模上实现卓越的性能(47)数据集。多个实例的灵活合并,在前向和后向推理中使用层次结构的所有层次的表面外观,学习集中三维变换的更复杂的池结构以及场景背景和背景的生成建模是需要调查的问题并与RCN结合[(33)第8.13节]。

    与CNN和VAE等整体图像模型相比,RCN的高数据效率源自于RCN在其结构中编码强大的假设。最近的神经网络模型使用空间关注窗口(58)来组合构图思想,但是当前的实例化需要在整洁设置中的对象之间良好的分离,因为每个注意窗口都是使用全图像VAE进行建模的。将RCN的对象和基于部分的组合结合到神经网络模型中将是一个有趣的研究方向。与神经网络不同,当前版本的RCN学习算法需要清晰的训练数据,我们打算使用基于梯度的学习以及基于消息传递的方法来解决问题(59)。

     

    结合RCN与贝叶斯计划学习(BPL)(1)是未来调查的另一途径。BPL具有对序列因果机制进行精确建模的优点,例如,Omniglot数据集中的行程生成,但其推理取决于与背景分离的轮廓 - 某些RCN可以轻松提供。更一般地,可以组合BPL和RCN样图形模型以获得所需的表达力和有效推理,以模拟涉及感知和认知的并行和顺序过程(60)。

     

    当然,道格拉斯·霍夫斯塔特(Douglas Hofstadter)的挑战,以相同的人性化效率和灵活性来形容信息,仍然是人造智能的宏伟目标。当他们识别字体时,人们会以上下文敏感和动态的方式使用更多的常识知识(图1C,iii)。我们的工作表明,从系统神经科学中引入感应性偏差可以导致强大的,可推广的机器学习模型,显示出高数据效率。我们希望,这项工作激励改进皮质电路(型号61,62)和调查相结合的神经网络,向普通人工智能系统结构的概率模型的能力。

     

    方法总结

    对于reCAPTCHA实验,我们从google.com reCAPTCHA页面下载了5500个reCAPTCHA图像,其中500个用作参数调整的验证集,其余的5000个报告精度数字。图像按比例增加了2个。通过与本地系统上可用的字体进行目视比较,确定了与格鲁吉亚reCAPTCHA中使用的字体相似的字体。RCN已经从这个字体的小写字母和大写字符旋转了几圈。使用验证集优化了超参数。使用基于美国工作人员的Amazon Mechanical Turk(AMT)估计reCAPTCHA数据集上的人的准确性。

     

    使用ImageMagick创建用于训练神经网络进行控制实验的仿真的reCAPTCHA数据集,以产生与原始reCAPTCHA在质量上相似的扭曲。仿真数据生成器用作无限源来生成用于训练神经网络的随机批次。神经网络优化运行了80个时期,其中数据在每个时期的开始排列; 数据还通过每个历元每个基本方向上最多5个像素的随机转换来增强。

     

    BotDetect,PayPal和Yahoo CAPTCHAs使用类似的方法。对于BotDetect,我们为CAPTCHA样式下载了一个50-100张图像的数据集,用于确定解析参数和训练设置,另外100个图像作为未调整网络的测试数据集。作为系统的训练图像,我们通过目视比较BotDetect CAPTCHAs的几个示例,从系统中可用的字体和缩放比例中选择了一系列。BotDetect测试图像重新缩放1.45倍。使用验证集优化解析参数,并通过单独调整每个样式的参数,然后在其他样式上测试这些参数来测试解析参数的可转移性。

     

    为了训练RCN来解析ICDAR,我们从Google字体中获得了492种字体,从而产生了25584个字符的训练图像。从此我们使用自动贪婪字体选择方法选择了一组训练图像。我们为所有字体渲染二进制图像,然后使用相同字母的结果图像来训练RCN。然后,该RCN用于识别其训练的确切图像,为相同字母的所有字体对提供兼容性分数(0.0和1.0之间)。最后,使用阈值(= 0.8)作为停止标准,我们贪婪地选择最具代表性的字体,直到表示所有字体的90%,从而产生了776个独特的训练图像。使用630个单词图像训练解析器,并使用维基百科中的单词对角色数字进行训练。

     

    对MNIST数据集进行RCN分类实验是通过将图像上采样4倍来完成的。对于每个训练设置,使用旋转的MNIST数字的独立验证集来调整模型的两个池超参数。作为基准线的一部分,探讨了对CNN进行预训练的几种方法。为了了解网络对嘈杂MNIST数据的性能,我们创建了六种噪声变体,每种噪声具有三个严重程度。对于闭塞推理,RCN网络被训练有11个类别:10个MNIST数字类别,20个类别的例子和一个例子的矩形环类别。MNIST数据集上的重建实验使用仅在清洁的MNIST图像上训练的网络,然后在6个不同的噪声变体上测试均方重建误差,每个具有3级严重性。补充材料中提供了全面的方法。

     

    扩展阅读:

    基于物体识别的SSD: Single Shot MultiBox Detector

    卷积神经网络(CNN)在语音识别中的应用

    天天被AI鄙视,今天是被AlphaGO“狗”鄙视了

    深鉴科技获新一轮融资 发布听涛芯片及新的AI解决方案

    文章转载于:Sciencemag

    翻译作者:aionp

    板式设计:aionp、华雪烽

    给TA打赏
    共{{data.count}}人
    人已打赏

    相关文章

    加拿大禁止华为和中兴通讯 5G 设备,下令到 2024 年全部移除

    加拿大禁止华为和中兴通讯 5G 设备,下令到 2024 年全部移除

    加拿大政府宣布,已禁止在其 5G 网络中使用华为和中国科技巨头中兴通讯的设备。在一份声明中,它引用了此举的国家安全问题,称供应商可能被迫遵守“外国政府的法外指示”,其方式可能“与加拿大法律相冲突或损害加拿大利益”。 到今年 9 月,电信公司将被禁止从这些公司采购新的 4G 或 5G 设备,并且必须在 2024 年 6 月 28 日之前从其网络中移除所有中兴和华为品牌的 5G 设备。设备还必须再2027 年底由 4G 网络中移除。加拿大政府在声明中写道:“政府致力于最大限度地提高 5G 的社会和经济效益以及获得大量电

    谷歌发布 Android 安全公告,40 多个漏洞被利用

    谷歌发布 Android 安全公告,40 多个漏洞被利用

    谷歌周一发布了 6 月份的 Android 安全公告,其中包含 40 多个影响 Android 设备和相关补丁的安全漏洞的详细信息。 在公告中,这家技术巨头解释说,这些问题中最严重的是系统组件中的一个严重安全漏洞,它可能导致远程代码执行 

    被金钱诱惑!90后IT青年参与开发涉诈App,不少来自知名高校

    被金钱诱惑!90后IT青年参与开发涉诈App,不少来自知名高校

      几个月前,湖北省黄冈市浠水县的陈女士,在手机应用市场下载了一款炒虚拟货币的App。没想到,没用多久,这款App居然打不开了,她充值进去的74万元也随之“灰飞烟灭”……   在北京市顺义区,郭女士下载了一款财富管理App,这款App看起来和身边朋友们的毫无二致,郭女士投资其中、收益颇丰。没想到,在投入200余万元巨款后,系统显示“账户异常”无法提现,这款App再也无法登录……     警方调查发现,她们下载的这些App,外观设计都很“高大上”,起初各类功能看似正常,实际上都

    美国安全局NSA、CISA 发布 Kubernetes 强化指南

    美国安全局NSA、CISA 发布 Kubernetes 强化指南

      美国国家安全局 (NSA) 和网络安全与基础设施安全局 (CISA)今天发布了网络安全技术报告“ Kubernetes 强化指南”。该报告详细介绍了对 Kubernetes 环境的威胁,并提供了配置指南以最大限度地降低风险。 Kubernetes 是一个开源系统,可自动部署、扩展和管理在容器中运行的应用程序。Kubernetes 集群通常托管在云环境中,并提供比传统软件平台更高的灵活性。 Kubernetes 的攻击目标通常有以下三个原因:数据窃取、计算能力窃取或拒绝服务。传统上,数据盗窃是主要动机;
    企业存储后端开发

    SSD中读写和擦除时间的计算

    2017-7-4 15:59:32

    信息安全

    腾讯安全团队:谷歌AI学习系统有安全漏洞

    2017-12-16 16:06:39

    0 条回复 A文章作者 M管理员
      暂无讨论,说说你的看法吧
    个人中心
    购物车
    优惠劵
    今日签到
    有新私信 私信列表
    搜索