محققان الگوهای ضد نظارتی را معرفی کردند

خبرگزاری Coinworld گزارش می‌دهد:

یک کارشناس امنیت سایبری آمریکایی در کنفرانس Def Con که در لاس وگاس برگزار شد، نوعی "الگوی ضد نظارتی" را به نمایش گذاشت. این الگوهای تولید شده توسط کامپیوتر می‌توانند بر روی لباس‌ها، اشیاء یا سطوح خودروها چاپ شوند تا سیستم‌های شناسایی خودکار برخی دوربین‌های نظارتی را مختل کنند و شناسایی افراد، خودروها یا اطلاعات چهره را دشوار سازند.

این پروژه "noRecognition" نام دارد. توسعه‌دهنده، بیل سوئرینگن به TechCrunch گفت که در طول یک سال گذشته به طور مکرر آزمایش‌هایی را انجام داده و حدود ۳۱ میلیون آزمایش را اجرا کرده است، هدف او تولید الگوهایی است که بتوانند از الگوریتم‌های شناسایی نظارتی رایج عبور کنند. به گفته او، این الگوها مانع از ضبط ویدیو توسط دوربین‌ها نمی‌شوند، اما توانایی سیستم در شناسایی و هشدار در مورد اهداف موجود در تصویر را مختل می‌کنند.

Def Con اولین آزمایش عمومی را به پایان رساند

سوئرینگن در اولین نمایش عمومی خود در Def Con، جدیدترین الگو را بر روی بدنه یک خودروی تویوتا یاریس ۲۰۰۹ قرار داد و هدف آزمایش یک سیستم دوربین Flock بود. او گفت که این نمایش ثابت کرد که الگو در محیط واقعی مؤثر است، هرچند که بخش چرخ‌ها هنوز به طور کامل قابل پردازش نیست. دونات مدیا که در فیلم‌برداری کمک کرده است، اعلام کرد که ویدیوهای نمایش در هفته‌های آینده منتشر خواهد شد.

او گفت که این نوع الگوها اکنون به صورت سفارشی قابل تولید هستند و می‌توانند برای لباس‌ها، هودی‌ها و همچنین برچسب‌های خودرو که ممکن است در آینده عرضه شوند، استفاده شوند. تیم پروژه همچنین یک کمپین جمع‌سپاری راه‌اندازی کرده است و قصد دارد کالاهای اولیه با الگوهای مربوطه را به فروش برساند.

هدف مختل کردن شناسایی خودکار، نه پنهان کردن تصویر

سوئرینگن گفت که در حال حاضر بسیاری از سیستم‌های نظارتی قابلیت شناسایی هدف را دارند که می‌توانند برای شناسایی شماره‌پلاک‌ها، ردیابی خودروها یا ترکیب با شناسایی چهره برای غربالگری افراد خاص استفاده شوند. برخلاف پنهان‌سازی سنتی، این روش باعث نمی‌شود که هدف از ویدیو ناپدید شود، بلکه اجازه نمی‌دهد الگوریتم به طور پایدار تشخیص دهد که چه چیزی در تصویر وجود دارد.

به گفته او، زمانی که سیستم نتواند شناسایی خودکار را فعال کند، هدف به راحتی از میان ویدیوهای انبوه توسط ماشین‌ها شناسایی نخواهد شد و باید به جستجوی دستی متکی باشد.

مدل با آزمون و خطا الگوهای جدید تولید می‌کند

سوئرینگن گفت که این پروژه ابتدا از تأیید مفهوم الگوریتم‌های شناسایی ویدیو منبع باز آغاز شد و سپس به تدریج سرمایه‌گذاری محاسباتی را گسترش داد و به یک مدل یادگیری تقویتی تبدیل شد. این مدل به طور مداوم الگوهای مختلف را آزمایش می‌کند و تا زمانی که یک الگو هنوز توسط الگوریتم شناسایی شود، به تکرار ادامه می‌دهد تا همزمان از چندین مدل شناسایی عبور کند.

او گفت که سیستم در حال حاضر ۱۱ الگوریتم شناسایی منبع باز را آزمایش کرده و الگوهای ترکیبی را پیدا کرده است که می‌توانند به طور همزمان چندین الگوریتم را مختل کنند، از جمله نرم‌افزارهای مرتبط با شناسایی شماره‌پلاک Flock، دستگاه‌های ثبت‌نام اجرایی Axon و Clearview AI. به گفته او، مدل اکنون تقریباً هر دقیقه یک دسته الگوی جدید تولید می‌کند و اثر آن همچنان در حال بهبود است.

سوئرینگن گفت که او هنوز قوی‌ترین نسخه الگو را منتشر نکرده است تا از اصلاح سریع سیستم‌های شناسایی توسط شرکت‌های مربوطه جلوگیری کند. با این حال، او معتقد است که این نمایش عمومی نشان می‌دهد که در فضاهای عمومی واقعی، استفاده از نمونه‌های ضد نظارتی برای دور زدن شناسایی الگوریتم‌ها دیگر تنها در مرحله آزمایشگاهی نیست.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.