CAPTCHAは20年間失敗し続けてきた
CAPTCHAs have failed for 20 years (browserbase.com)
要約
歪んだテキスト、複雑な画像グリッドといったCAPTCHAの各世代は、最終的に機械によって突破されてきました。現在、多くのユーザーが実際のエージェントを使ってワークフローを実行しているため、課題はブラウザの能力をテストすることから、それが誰であるかを確認することへと変化しています。このため、Browserbaseは「Verified」と「Web Bot Auth」を通じてエージェントのアイデンティティを構築しており、最高のCAPTCHA「ソルバー」はCAPTCHAそのものを見ることすらないという状態を目指しています。
全文翻訳
TL;DR: 歪んだテキスト、より難しいテキスト、画像グリッドなど、あらゆる世代のCAPTCHAは最終的に機械に破られました。現在、誰もがエージェントを使用して実際のワークフローを実行しているため、ゲームはブラウザができることをテストすることから、それが誰であるかを確認することへと変わりました。だからこそ、BrowserbaseはVerifiedとWeb Bot Authでエージェントのアイデンティティを構築しています。なぜなら、最高のCAPTCHA「ソルバー」はCAPTCHAをまったく見ないからです。
CAPTCHAの軍拡競争:歪んだテキストからブラウザのアイデンティティへ
ぼやけた画像グリッドで、すべての信号機、バス、横断歩道をすべてクリックしたことがあるなら、インターネットで最も長く続いているセキュリティ実験の1つに参加したことになります。それらのクリックは、あなたが人間であるかどうかをテストするCAPTCHAを解決していました。
1990年代後半にウェブサイトが人気を博すにつれて、それらを悪用するインセンティブも増大しました。スパマーは何千もの偽アカウントを作成し、ボットは検索エンジンからデータをスクレイピングし、スクリプトはフォーラムに広告を氾濫させました。すべての人気サイトが同じ疑問に直面しました:人間と機械をどうやって見分けるか?
[画像: CAPTCHAの進化を示す図]
CAPTCHAは、カーネギーメロン大学のLuis von Ahn、Manuel Blum、Nicholas Hopper、John Langfordによる2003年の論文で造語された、Completely Automated Public Turing test to tell Computers and Humans Apart(コンピュータと人間を区別するための完全に自動化された公開チューリングテスト)の頭字語です。
これは逆チューリングテストです。オリジナルは、人間が会話を通じて機械を見抜くことを求めます。CAPTCHAはそれを反転させ、機械が質問をし、応答者が人間のように振る舞えばテストに合格します。目標は知性を証明することではありません。攻撃に見合う以上の自動化コストをかけることです。
20年以上にわたり、すべてのCAPTCHAは最終的に騙され、各世代は同じサイクルに従っています。
defendersが新しいチャレンジを構築 → しばらく機能する → 攻撃者がそれを解決する方法を学ぶ → defendersが新しいものを構築 → 繰り返す。
これは終わりのない猫とネズミの追跡です。
[画像: 猫とネズミのイラスト]
アリーナに飛び込みましょう:猫(コンピュータ)対ネズミ(CAPTCHA)。
レベル1:これを読めますか?
最初の答えは驚くほどシンプルでした:コンピュータに読ませる。
初期のCAPTCHAは歪んだテキスト(歪んだ文字、不均一な間隔、ランダムな線、ノイズの多い背景)を表示しました。人間にとっては通常、些細なことでした。私たちの脳は、ピクセルが欠けていたり歪んでいたりしても、パターンを認識するのに驚くほど優れています。
しかし、コンピュータはそうではありませんでした。
当時の光学文字認識(OCR)は、クリーンな印刷されたテキストではうまく機能しましたが、文字が回転、引き伸ばし、重なり、または不明瞭になっていると苦労しました。鍵となる仮定は、知覚が難しい部分であるということでした。コンピュータが1つの文字がどこで終わり、次の文字がどこで始まるかわからない場合、単語を読むことはできませんでした。
しばらくの間、それは機能しました。歪んだ単語は自動化されたスクリプトを停止させましたが、人間をほとんど遅らせませんでした。AltaVistaとYahooは初期のシステムを採用し、そのアプローチは十分に機能したため、カーネギーメロン大学の研究者は正式にその用語を造語しました。
その後、OCRは改善しました。🐈
攻撃者は、CAPTCHA全体を一度に解決する必要はないことに気づきました。ほとんどのテキストCAPTCHAは段階的に生成されていました:テキストをレンダリングし、歪みを適用し、ノイズを追加し、不明瞭にする線を描き、画像を生成します。
さて、CAPTCHAが段階的に作成された場合、段階的に破られる可能性がありました。攻撃者は、背景ノイズを除去し、画像を白黒に閾値処理し、文字を個別の領域にセグメント化し、それらの領域をOCRに供給するコンピュータビジョンパイプラインを構築しました。
[画像: 歪んだ文字を処理するパイプラインの図]
AIの問題に見えたものは、画像処理の問題になりました。
セグメンテーションが信頼できるようになったら、認識精度が急上昇しました。書籍をデジタル化し、街の標識を読み取るのと同じ進歩が、コンピュータを効率的なCAPTCHAソルバーにしました。
ネズミが動き、猫が適応しました。繰り返しの時間です。
レベル2:テキストをより難しくする
防御側は、攻撃者が文字をセグメント化できるなら、セグメンテーションを不可能にしようと考えました。CAPTCHAは攻撃的になり(文字の重なり、不自然な形状、ノイズの多い背景)、中にはテキストよりも抽象芸術のように見えるほど歪んだものもありました。
[画像: 非常に歪んだテキストのCAPTCHA]
この頃、von Ahnは何かを気づきました。何百万人もの人々が毎日CAPTCHAを解くのに数秒を費やしており、すぐに消えた膨大な量の視覚認識作業がありました。もしその努力が役立つとしたら?
このアイデアがreCAPTCHAになりました。
ランダムなテキストの代わりに、OCRが自信を持って読めない書籍やアーカイブのスキャンされた単語を表示しました。解決された各チャレンジは、印刷物をデジタル化するのに役立ちました。しばらくの間、ウェブサイトが保護を得て、図書館がデジタル化されたとき、誰もが勝ちました。
そして機械学習が登場しました。🐈
従来のOCRは、設計者が歪みを変更するまで機能する手作業で設計されたルール(エッジ検出器、文字テンプレート、セグメンテーションヒューリスティック)に依存していました。機械学習はハードコーディングを排除しました。コンピュータに文字をどのように認識させるかを教える代わりに、研究者は何百万もの例でモデルをトレーニングし、パターンを学習させました。ニューラルネットワークは、ノイズが従来のOCRを混乱させたにもかかわらず、答えを復元するのに十分な信号をまだ運んでいたため、完璧なセグメンテーションなしで、非常に歪んだ文字を認識しました。
機械を阻止するために設計されたCAPTCHAは、最終的にモデルよりも人間にとって難しくなりました。
ネズミは賭け金を上げましたが、猫はより速く学習しました。
レベル3:信号機を見つける
2010年代初頭までに、基本的な仮定(コンピュータは読めない)を維持するのは困難になりました。そこで設計者はテキストを放棄し、代わりにオブジェクトを識別するようにユーザーに求めました。
[画像: 画像認識CAPTCHAの例]
テキストCAPTCHAが文字認識をテストしたのに対し、画像CAPTCHAは意味理解をテストしました。人間は、自転車が横から、車に半分隠れて、夜間に、またはフレームの隅に切り取られていても、それを認識するときにこれを楽にこなします。
コンピュータにとって、これは以前と同じ手作業で設計された問題でしたが、今度は2次元になりました。従来のビジョンシステムは、エッジ、コーナー、勾配、テクスチャを検出し、それらをオブジェクトに組み立てようとしました。
# 従来のコンピュータビジョン
features = combine(detect_edges(image), detect_corners(image), compute_gradients(image))
if matches_bicycle_template(features):
return "bicycle"
現実世界はテンプレートに従いません。自転車は数千もの角度から、部分的に隠れて、変化する光の下で現れます。エッジケースは無限です。
そしてImageNetが発生しました。🐈
2009年のデータセットは、研究者に数千のカテゴリにわたる何百万ものラベル付き画像を提供し、オブジェクト認識を大規模に処理するのに十分でした。2012年、AlexNetと呼ばれるディープニューラルネットワークは、ImageNetベンチマークで従来のビジョンシステムを劇的に上回りました。再び、問題は「コンピュータは自転車を認識できるか?」から「モデルにどれだけのラベル付きデータを与えられるか?」へとシフトしました。畳み込みニューラルネットワークは、初期層でエッジやテクスチャ、中間層で形状やパーツ、深層でオブジェクト全体といった視覚的特徴を直接学習しました。テンプレートは不要でした。
タイミングは設計者にとって非常に不運でした。信号機、バス、横断歩道、店舗のファサードは、CAPTCHAの一般的なカテゴリであり、大規模なビジョンデータセットでも最も一般的なカテゴリのいくつかでした。コンピュータが見えないことを証明するために設計されたチャレンジは、まさにコンピュータが見ることを学習したときに現れました。
ネズミは新しい隠れ場所を見つけましたが、猫は見方を学びました。
レベル4:ブラウザがCAPTCHAになる
このパターンは無視できないものになりました。
各世代は、人間が持っていてコンピュータが持っていない能力を仮定していました。防御側はそれを中心にチャレンジを構築しました。攻撃者はそれを自動化しました。繰り返し。
正解のあるチャレンジはすべて最適化の対象となりました。開発者がそれを複製するために積極的に構築している間、人間の知性をテストするテストを構築することはできません。
そのため、最新のアンチボットシステムは、ブラウザがチャレンジを解決できるかどうかを尋ねるのをやめ、そもそもチャレンジを表示すべきかどうかを尋ねるようになりました。
それらは確率的になりました。1つのチャレンジではなく、セッション全体にわたるシグナルを収集し、それらをリスクスコアに結合します。これらのシグナルは、ブラウザのフィンガープリント、インストールされているフォント、キャンバスとWebGLレンダリング、TLSフィンガープリント、Cookie履歴、ネットワーク評判、リクエストタイミング、インタラクションパターンなど、多岐にわたります。個々には弱いですが、それらを組み合わせると詳細な画像が形成されます。実際のラップトップ上の実際のChromeブラウザは、データセンターで新しく起動されたブラウザとは異なる動作をします。
これがreCAPTCHA v3とCloudflare Turnstileの背後にある哲学です。システムが確信している場合、CAPTCHAは表示されません。不確かな場合は、さらに要求します。
[画像: Cloudflare TurnstileのUI]
その後、攻撃者はCAPTCHAを解決することがもはや目的ではないことに気づきました。チャレンジはブラウザが疑わしく見える場合にのみ表示される場合、目標は疑わしく見えないことになります。チャレンジ解決はブラウザフィンガープリンティングになりました。より優れたOCRや分類器の代わりに、攻撃者はフィンガープリント、評判、ネットワークシグナルを研究して、正規のものとして通過しました。
ネズミは質問をやめ、猫は隠れる方法を学び始めました。
引き分け:あなたが誰であるかを証明する
歴史的に、ウェブサイトはすべてのブラウザを匿名の見知らぬ人として扱っていました。信頼を得るために、チャレンジを発行しました。最新の検出は逆の方法で機能します。ブラウザに繰り返し自分自身を証明するように求める代わりに、サイトはすでにブラウザを認識しているかどうかを判断しようとします。
そのレンズを通して見ると、トレンドは理にかなっています。一貫した履歴を持つブラウザは、30秒前に現れたものよりも信頼性が高いです。フィンガープリント、ネットワーク、および動作がすべて一致するブラウザは、シグナルが矛盾するブラウザよりも信頼性が高いです。既知のIDに関連付けられたブラウザは、匿名であるブラウザよりも信頼性が高いです。
CAPTCHAを生み出したウェブは、匿名トラフィックが支配的であり、ほとんどの自動化はスクレイピング、スパム、または悪用するために存在していました。すべてのボットを疑わしいと見なすことは、通常は正しかったのです。
今日のウェブは異なります。ブラウザエージェントは旅行を予約し、コンプライアンスレポートを提出し、インフラストラクチャを監視し、実際のユーザーのためにワークフローを完了しています。ウェブサイトは、ユーザーのために動作するエージェントとシステムを悪用するボットを区別するのにまだ苦労しており、歴史的には最も安全な選択肢はそれらを同じように扱うことでした。
このブラウザはCAPTCHAを解決できますか? → このブラウザはCAPTCHAを表示すべきですか?
[画像: 人間とボットの区別に関する図]
ブラウザがCAPTCHAである場合、開かれた質問はもはやブラウザができることではなく、信頼を確立できるかどうかです。これは新しいモデルを生み出しました。そこでは、できることを繰り返し証明するのではなく、自分たちが誰であるかを明示的に証明するブラウザとエージェントが使用されます。
有望な標準の1つはWeb Bot Authであり、ブラウザエージェントがウェブをナビゲートする際に暗号学的に自分自身を識別できるようにします。サイトは、匿名自動化と信頼できるプロバイダーを通じて動作するエージェントを区別し、推論ではなくIDに基づいて決定を下すことができます。これは、Cloudflareとのパートナーシップにより、Browserbaseで私たちが構築している方向性です。
これは過去20年間の前提とは異なります。正規の自動化は、人間を装う必要があってはなりません。過去20年間でコンピュータが人間のテストに合格することを学んだとしたら、次の10年間は、それらに自己紹介する方法を与えることになるかもしれません。最も成功したCAPTCHA「ソルバー」は、CAPTCHAをまったく見ないものです。
エージェントにIDを与え、ここで猫対ネズミの追跡から進化してください:browserbase.com/contact-web-bot-auth
Browserbaseで構築を開始する
エージェントと自動化のためにヘッドレスブラウザを大規模に実行します。数分で無料で始められます。
[画像: Browserbaseのサインアップボタン]
[画像: エージェントIDに関するブログ記事へのリンク]
### Cloudflare & Browserbase:AIエージェントのためのアイデンティティのパイオニア
[画像: CloudflareとBrowserbaseのパートナーシップに関するブログ記事へのリンク]
### ウェブはブラウザエージェントのために作られていません。それを機能させるためのハーネスを構築した方法を説明します。
[画像: ブラウザエージェントハーネスに関するブログ記事へのリンク]
### 1Password & Browserbase - クレデンシャルアクセス向けのパイオニア的なエージェント型自動入力
[画像: 1PasswordとBrowserbaseの連携に関するブログ記事へのリンク]