1 abstract
很多人学习python,不知道从何学起。
很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手。
很多已经做案例的人,却不知道如何去学习更加高深的知识。
那么针对这三类人,我给大家提供一个好的学习平台,免费领取视频教程,电子书籍,以及课程的源代码!
QQ群:1097524789
验证码作为一种自然人的机器人的判别工具,被广泛的用于各种防止程序做自动化的场景中。传统的字符型验证安全性已经名存实亡的情况下,各种新型的验证码如雨后春笋般涌现。目前最常见的一种形式就是"滑动拼图式"
2 内容概述
关于滑动式验证,最早由国内某网络安全公司首次提出的行为式验证,以滑动拼图解锁的方式呈现在世人面前。然后大概过了好几年之后,各种各样的滑动式验证产品都出来了,那么这些看似一样的产品,它们的安全性到底如何呢?
本文特意挑选出了一些后来者的小厂商的滑动式验证来做下实验,仅从第一步的图像学上分析一下安全性。因为我的主技术路线是图像学,关于前端的js并不熟悉,所以就只在图像学上点到即止即可。仅供会一些自动化技术的同学提供一些知识补充吧。
由于研究的实验对象实在是太简单,所以本文涉及的一些图像学的知识也不难,基本上python的初级选手就可以跑通本程序。仅供大家学习学习。
3 研究对象
某小站点上由小厂商提供的"滑动式验证":
使用python写一个简单的爬虫自动化脚本,将此网站上的验证码资源多请求几次,并保存到本地,观查图片特点。
一般情况下,这一步是必须的,多下载一些图片,很多规律是可以一眼看出的。比如,从公开的页面中,连续请求此验证的资源 100次,下载100张图片后。
一眼看上去,此验证的图片素材都只有一种模式,那么就放心了,因为这个问题就比较单一,而不是多模式下你必须要解决多个问题。
4 定性分析
将这种单一模式的图片筛选一张出来,如下:
发现如下特点:
和前端展示相关的图片有:方块位置提示图A,小方块B,完整背景图C。
A图完全是由B和C合成
显然,设计这个验证图片的人没啥安全方面的经验,有如下两个产品细节没有注意:
对图片没做任何的特殊处理
对外公开提供了过多信息
于是使得识别此图片的位置变得极其简单。
5 定量分析
在前面一小节中,我们只是直观的看到了这些图片的一些特别,但是要解答这个题目,还需要进行量化,量化后才能程序化,程序化后才能全自动化。
使用matplotlib工具打开此图片。量化得到如下参数:
图片整体规格:w:240,h:450
由上到下分为三部分,每部分高度为150
6 求解图片
很明显,只要将第一张图和第三张图相应的像素相减,神奇的事情就发生了:
"左上" 减去 "右下" 就得到 "左下"的结果。
这个时候,对x方向的R通道的像素点进行累加统计。
得到如下的统计图:
然后对这个曲线求一阶导数或者只要发现有个突变值超过最大像素值的某百分比时,即可得到最左边的那个y方向突变点的位置。
到此为止,此图片的位置已经成功解出。
下面是相应的python代码:
-
import numpy as np
-
...
-
def get_boundary(mask, axis, ratio=0.6):
-
"""
-
对ç°åº¦å¾çæ个channelååç´ ç»è®¡
-
"""
-
sum_along_axis = np.sum(mask, axis=axis)
-
max_value = np.max(sum_along_axis)
-
bound_value = max_value * ratio
-
bvalue = (sum_along_axis >= bound_value).astype('int8')
-
return np.where(bvalue != 0)[0][0]
-
def get_predict_ans(img):
-
"""
-
æ ¹æ®åç±»åºæ¥çå¾åï¼æ¾å°ç¸åºçå¾åä½ç½®
-
ä¼ å¥äºè¿å¶çå¾çï¼è¿åçæ¡
-
:param img:
-
:return:
-
"""
-
nd_img = np.array(img)
-
w_pos = get_boundary(nd_img, 0) # æ ¹æ®åå¸å¾æ¾å°è¾¹çä½ç½®
-
return w_pos
总结
以上所述是小编给大家介绍的Python实现图片滑动式验证识别方法,希望对大家有所帮助!