論文の概要: CAHICHA: Computer Automated Hardware Interaction test to tell Computer and Humans Apart
- arxiv url: http://arxiv.org/abs/2511.07841v1
- Date: Wed, 12 Nov 2025 01:23:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.502614
- Title: CAHICHA: Computer Automated Hardware Interaction test to tell Computer and Humans Apart
- Title（参考訳）: CAHICHA:コンピュータ自動ハードウェアインタラクションテスト
- Authors: Aditya Mitra, Sibi Chakkaravarthy Sethuraman, Devi Priya V S,
- Abstract要約: 人工知能(AI)機能を備えたボットやスクレーカーは、視覚的な課題を検出して解決し、型付けパターンのような人間をエミュレートし、ほとんどのセキュリティテストを避けることができる。
これは、実際の人間のユーザーと高度なボットを識別する上で、重要なギャップを残している。
本稿では,ハードウェアインタラクション信号に基づいて,実際のユーザを識別する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.16385815610837165
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As automation bot technology and Artificial Intelligence is evolving rapidly, conventional human verification techniques like voice CAPTCHAs and knowledge-based authentication are becoming less effective. Bots and scrapers with Artificial Intelligence (AI) capabilities can now detect and solve visual challenges, emulate human like typing patterns, and avoid most security tests, leading to high-volume threats like credential stuffing, account abuse, ad fraud, and automated scalping. This leaves a vital gap in identifying real human users versus advanced bots. We present a novel technique for distinguishing real human users based on hardware interaction signals to address this issue. In contrast to conventional approaches, our method leverages human interactions and a cryptographically attested User Presence (UP) flag from trusted hardware to verify genuine physical user engagement providing a secure and reliable way to distinguish authentic users from automated bots or scripted routines. The suggested approach was thoroughly assessed in terms of performance, usability, and security. The system demonstrated consistent throughput and zero request failures under prolonged concurrent user demand, indicating good operational reliability, efficient load handling, and the underlying architecture's robustness. These thorough analyses support the conclusion that the suggested system provides a safer, more effective, and easier-to-use substitute for current human verification methods.
- Abstract（参考訳）: 自動化ボット技術と人工知能が急速に進化するにつれて、音声CAPTCHAや知識に基づく認証といった従来の人間の検証技術は、より効果的になってきている。
人工知能(AI)機能を備えたボットやスクレーカーは、視覚的な課題を検出して解決し、型付けパターンのような人間をエミュレートし、ほとんどのセキュリティテストを避けることができる。
これは、実際の人間のユーザーと高度なボットを識別する上で、重要なギャップを残している。
本稿では,ハードウェアインタラクション信号に基づいて実際のユーザを識別する新しい手法を提案する。
従来の手法とは対照的に,本手法では,信頼性の高いハードウェアからの人的インタラクションと暗号的に証明されたユーザプレゼンス(UP)フラグを利用して,認証されたユーザを自動化されたボットやスクリプト化されたルーチンと区別するセキュアで信頼性の高い手段を提供する。
提案されたアプローチは、パフォーマンス、ユーザビリティ、セキュリティの観点から徹底的に評価された。
このシステムは、長時間の同時ユーザ要求の下で、一貫したスループットとゼロの要求障害を示し、優れた運用信頼性、効率的な負荷処理、基礎となるアーキテクチャの堅牢性を示している。
これらの徹底的な分析は、提案システムは、現在の人間の検証方法のより安全で、より効果的で、使いやすい代替手段を提供するという結論を支持している。
関連論文リスト
- Spatial CAPTCHA: Generatively Benchmarking Spatial Reasoning for Human-Machine Differentiation [15.668734718800065]
本研究では,人間とMLLMの空間的推論における基本的差異を生かした,新しい人間検証フレームワークを提案する。
現代のAIに弱い低レベルの知覚タスクに依存する既存のCAPTCHAとは異なり、空間CAPTCHAは幾何学的推論、視点取り、精神的回転を必要とする動的質問を生成する。
対応するベンチマークであるSpatial-CAPTCHA-Benchでは、人間が10の最先端MLLMをはるかに上回り、最高のモデルは31.0%のPass@1精度しか達成していないことが示されている。
論文 参考訳（メタデータ） (2025-10-04T16:19:21Z) - A Hybrid CAPTCHA Combining Generative AI with Keystroke Dynamics for Enhanced Bot Detection [0.0]
本稿では,Large Language Models (LLMs) がもたらす認知課題とキーストローク力学の行動バイオメトリックス解析を相乗化するハイブリッドCAPTCHAシステムを提案する。
提案手法は,ロボット入力と人間のパターンを区別するために,ユーザのタイピングリズムを解析しながら,人間にとって自明だが自動エージェントには自明な動的予測不可能な質問を生成する。
論文 参考訳（メタデータ） (2025-09-29T17:56:13Z) - Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。
テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
論文 参考訳（メタデータ） (2025-08-12T17:19:20Z) - Automatically Detecting Online Deceptive Patterns [24.018376492278033]
デジタルインターフェースの認識パターンは、ユーザに意図しない決定をさせ、認知バイアスと心理的脆弱性を悪用させる。
このギャップに対処するため、私たちはAutoBotフレームワークを導入し、Web利害関係者がオンラインの偽装パターンをナビゲートし緩和するのを支援しています。
AutoBotは、基盤となるHTMLコードに頼ることなく、ウェブサイトのスクリーンショットから偽のパターンを正確に識別し、ローカライズする。
論文 参考訳（メタデータ） (2024-11-11T23:49:02Z) - Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
模倣攻撃は 不正な識別と その後の攻撃者の認証につながる
顔認識と同様に、模倣攻撃も機械学習で検出できる。
本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-27T07:26:10Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - Towards Automated Classification of Attackers' TTPs by combining NLP
with ML Techniques [77.34726150561087]
我々は,NLP(Natural Language Processing)と,研究におけるセキュリティ情報抽出に使用される機械学習技術の評価と比較を行った。
本研究では,攻撃者の戦術や手法に従って非構造化テキストを自動的に分類するデータ処理パイプラインを提案する。
論文 参考訳（メタデータ） (2022-07-18T09:59:21Z) - Robust Text CAPTCHAs Using Adversarial Examples [129.29523847765952]
Robust Text CAPTCHA (RTC) という,ユーザフレンドリーなテキストベースのCAPTCHA生成法を提案する。
第1段階では、前景と背景はランダムにサンプルされたフォントと背景画像で構成される。
第2段階では、CAPTCHAの解法をより妨害するために、高転送可能な逆攻撃をテキストCAPTCHAに適用する。
論文 参考訳（メタデータ） (2021-01-07T11:03:07Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳（メタデータ） (2020-01-13T13:54:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。