关注
分享
极验
这个作者很懒，什么都没留下…
展开
-
【黑产攻防道04】利用pow工作量证明降低黑产的破解效率
同时站在攻击方、被攻方和防守方的三方视角，全面地理解黑产的暴力破解。原创 2023-12-29 17:45:22 · 509 阅读 · 0 评论 -
【黑产攻防道03】利用JS参数更新检测黑产的协议破解
同时站在攻击方、被攻方和防守方的三方视角，全面地理解黑产的协议破解。原创 2023-10-27 14:34:04 · 699 阅读 · 0 评论 -
极验率先推出一键认证安全版，供客户自主免费升级，规避日常运营中的风险盲区
身份安全确认必须经过两个步骤：第一步本人身份确认，第二步可疑风险筛查，两个步骤缺一不可，否则将给企业埋下巨大的安全隐患。原创 2023-09-19 18:10:02 · 151 阅读 · 0 评论 -
如何应对黑产进行验证图片资源遍历
围绕“验证图片资源遍历”这一黑产最常用的攻击手段深度展开，从中探寻攻击方的细节思路、被攻方遭遇的真实案例，以及防守方的技术博弈。原创 2023-07-18 18:20:36 · 211 阅读 · 0 评论 -
【极验黑科技】文生图大模型在极验人机对抗领域的应用
人机验证码领域的图片生成的投入，主要解决的是“模型破解”和“人工打码”，这两种破解方式往往又不是独立进行，在特定情况下会产生人工标记训练后进行模型训练后进行自动对抗。所以，对于线上图片的更新，最后落脚之处还是在于图片的更新速度、图片的抗模型训练能力。原创 2023-05-12 10:58:44 · 543 阅读 · 0 评论 -
验证码在风控中的实际应用
在实际应用中，验证码如何识别并拦截异常机器流量原创 2022-11-15 11:45:21 · 893 阅读 · 0 评论 -
《Graph Learning专栏》 ： 高密子图挖掘
本周我们介绍另一图上的“聚类”算法—高密子图挖掘(Dense Subgraph Mining)，这类算法与社群检测不同的是处理的数据对象是异构图(节点的类型不是单一的，同类型节点之间一般没有边)，社群检测需要对整张图的节点进行社区划分，而高密子图只关心最紧密的那个社区；相同的是二者都是同一种思考模式：定义一个衡量密集度的指标，启发式地不断优化这个值。lockstep行为模式在实际应用场景中...原创 2018-08-30 10:05:46 · 4321 阅读 · 2 评论 -
论文分享 | 可控笔触的快速风格化迁移
风格迁移作为深度学习艺术化工作的典范，各顶级会议上一直有相关论文发表，工业上也有很多面向C端用户的产品。今天我们要介绍的一篇工作来自ECCV2018，解决的问题是如何在进行风格迁移的时候，对笔触大小 （Stroke Size ）进行控制。笔触大小的影响因素笔触大小对于风格化的结果有着十分直接的感官影响。在进行风格化迁移的时候有三个因素制约笔触大小：风格图的分辨率大小、监督网络VGG 的...原创 2018-08-16 09:37:01 · 1255 阅读 · 0 评论 -
论文分享：图像转换图像
本周论文分享一篇关于图像到图像转换的文章。图像到图像转换任务的目的是希望学习到不同域之间的映射，以完成域之间的转换。比如灰度图--> 彩色图，低分辨图--> 高分辨图等。这类任务存在两个挑战：一、对齐的训练数据少且难获得，如对应的白天与黑夜场景；二、这种映射往往是多样的，即存在一对多的情况。这篇文章提出了一种解耦的特征表示框架来解决这个问题，具体是将图像映射到两类空间中，一...原创 2018-08-07 09:47:23 · 1655 阅读 · 0 评论 -
社区检测与高密子图挖掘（上）
前面我们说过图的第二个优点是拉帮结派，在图里面是很容易形成团伙结构，近年来，研究这个问题的论文也是汗牛充栋。本章，我们就这一问题所衍生出来的两个方向：社区检测（Community Detection）和高密子图挖掘（Dense Subgraph Mining）作相关讲解。本文，我们先讲社区检测的相关算法。社区检测的任务是什么呢？举个例子，给定如下图。直观印象告诉我们，该图存在以下的社区...原创 2018-08-02 15:07:30 · 5490 阅读 · 2 评论 -
利用可视化方法直观理解CNN
CNN模型虽然在各类任务上大放异彩，但一直以来都被诟病缺乏可解释性。针对这个问题，过去几年研究人员除了从理论层面去寻找解释外，也提出了一些可视化的方法直观地理解CNN的内部机理。本文主要介绍两类方法，一种是基于Deconvolution, 另一种则是基于反向传播的方法。基于Deconvolution的方法基于Deconvolution的方法一篇来自Matthew D Zeiler, Rob...原创 2018-07-16 09:54:07 · 8323 阅读 · 0 评论 -
论文分享 |《DeepCluster》
聚类(Cluster) 是一种经典的无监督学习方法，但是鲜有工作将其与深度学习结合。这篇文章提出了一种新的聚类方法DeepCluster，将端到端学习与聚类结合起来，同时学习网络的参数和对网络输出的特征进行聚类。作者将DeepCluster成功应用到大规模数据集和一些迁移任务上，性能超过了当前state of art的无监督工作。表明结合简单的聚类算法，无监督方式也可以学习到很好的特征。背景...原创 2018-07-27 09:38:22 · 6481 阅读 · 1 评论 -
论文分享 |Jumping Knowledge Networks
本周介绍一篇 ICML2018 上关于 graph learning 的文章《Representation Learning on Graphs with Jumping Knowledge Networks》。本文想探讨的一个问题就是：虽然图卷积神经网络的计算方式能够适应不同结构的 graph，但是其固定的层级结构以及聚合邻居节点的信息传播方式会给不同邻域结构的节点表达带来比较大的偏差。在指...原创 2018-07-31 10:08:10 · 1716 阅读 · 0 评论 -
《Graph learning》| 图传播算法（下）
上周发布的《图传播算法（上）》中讲了关于图传播算法的基本范式和PageRank算法，本文将延续上周的文章，继续讲解剩下的三个算法。2· HITSHITS（Hyperlink - Induced Topic Search）另一个典型的图传播算法，其所解决的问题与PageRank算法一样，在一个给定的由网页构成的有向图中，返回高质量的排名结果。与PageRank直接建模重要性排名指标不同的是，HITS...原创 2018-07-05 09:50:17 · 2738 阅读 · 0 评论 -
论文分享 | 轻量级网络之mobilenet v1
卷积神经网络广泛应用在各种任务，比如图像分类、目标检测等，性能也越来越好，但都趋向于使用更深更复杂的结构来提升性能而不太关注计算代价，使得将这些模型直接部署在移动设备困难重重。本文针对传统卷积计算量大的缺点，对传统卷积模块进行了改进，该结构更高效，为在移动设备上部署带来了可能。Roofline Model在介绍具体的原理之前，我们先来与模型计算性能相关的几个概念： （1）计算量：对于给定大小的输入...原创 2018-06-05 11:40:26 · 1120 阅读 · 0 评论 -
极验－四叶草安全达成战略合作，共建联合安全实验室
近日，极验携手四叶草安全正式达成战略合作，共建联合安全实验室。双方将基于各自优势资源，强强联合，相互赋能，在安全领域展开深入的研究与合作，共享研究成果，提供更系统的安全整体解决方案，进一步提升双方的安全服务能力。2017 年极验交互安全行业研究报告的数据显示，全年成功抵御机器流量累计 382 亿次，平均每月 31.83 亿次。机器流量呈现团伙规模化、手法隐蔽化、场景细分化、危害扩大化的趋势。 面对...原创 2018-04-04 09:20:33 · 870 阅读 · 0 评论 -
极验揭秘：你为什么抢不到房？
趁着金九银十还没来，今天研究个话题，你为什么抢不到房？很多人都会说，炒房团太凶，开发商心机，手太黑...... 这些的确有一定影响，但是并不是关键！今天要爆料的是下面这个：随着互联网发展，房地产开发商也从传统的售楼处转战网络。线下黄牛党嗅着钱味，也在互联网上安营扎寨，准备架炮攻城。然后，万科就找到极验。作为稀缺资源代表，抢购楼盘利润更高！万科的楼盘原本就非常难抢，加上黑产介入，普通人基本没戏。万...原创 2018-04-09 10:07:51 · 3391 阅读 · 2 评论