以 85% 的准确率击败 Google 的音频 reCaptcha 系统。
unCaptcha 旨在成为一个概念验证。截至我们的论文发表时，我们发现它成功解决了 reCaptcha 音频挑战的 85%。自那以后，reCaptcha 似乎加入了一些额外的保护措施，限制了 unCaptcha 的成功率。 我们不会维护此代码以使其成为对 reCaptcha 的有效攻击。
例如，Google 也改进了其浏览器自动化检测。这意味着在当前状态下，Selenium 无法用于从 Google 获取验证码。这可能导致 Google 向最终用户返回奇怪的音频片段。此外，我们观察到某些音频挑战不仅包含数字，还包含一小段口语文本。
我们鼓励您在此领域进行研究时要谨慎，注意遵守当地、州和联邦法律，并立即向 Google 负责任的披露任何潜在漏洞。
此外，我们已从所有必要的查询中移除了我们的 API 密钥。如果您希望重现某些工作或正在此区域进行自己的研究，您需要从所使用的六个服务中获取 API 密钥。这些密钥在我们的文件中通过一串长串的字符 'X' 来标示。
在整个互联网上，成千上万的网站依赖 Google 的 reCaptcha 系统来防御机器人（实际上，Devpost 在创建新账户时也使用了 reCaptcha）。在 Google 研究团队于 2012 年演示了近乎完全击败文本 reCaptcha 之后，reCaptcha 系统演变为依赖音频和图像挑战，这些挑战历来对自动化系统来说更难解决。Google 不断迭代其设计，最近在去年就发布了更新更强大的版本。成功演示击败该验证码系统将给成千上万个流行网站带来重大漏洞。
我们的 unCaptcha 系统具备针对音频验证码的攻击能力。使用浏览器自动化软件，我们可以与目标网站交互并参与验证码过程，解析出必要的元素以开始攻击。我们主要依赖音频验证码攻击——通过正确识别口播数字，我们可以以编程方式通过 reCaptcha，并欺骗网站认为我们的机器人是人类。具体来说，unCaptcha 针对热门网站 Reddit，模拟创建新用户的流程，不过 unCaptcha 会在创建用户之前停止，以减少对 Reddit 的影响。
Google 的 reCaptcha 系统使用先进的风险分析系统，以编程方式判断给定用户是人类还是机器人的可能性。它考虑您的 cookie（进而考虑您与其他 Google 服务的交互）、解决挑战的速度、鼠标移动以及（显然）您成功解决给定任务的程度。随着系统越来越怀疑，它会提供越来越困难的挑战，并要求用户解决更多的挑战。研究人员已经发现了 reCaptcha 系统的轻微弱点——通常与 Google 服务进行 9 天的合法（ish）交互就足以显著降低系统的怀疑水平。
音频验证码的格式是一系列长度可变的数字，以不同的速度、音调和口音在背景噪音中朗读出来。为了攻击此验证码，我们识别页面上的音频负载，下载它，并自动根据语音位置进行分割。
然后，每个数字音频片段被上传到 6 个不同的免费在线音频转录服务（IBM、Google Cloud、Google Speech Recognition、Sphinx、Wit-AI、Bing Speech Recognition），并收集这些结果。我们使用这些结果进行集成，通过预定的启发式方法以概率方式枚举出最可能的数字字符串。这些数字随后被模拟输入到验证码中，完成验证码。通过测试，我们在单个数字识别方面看到了 92%+ 的准确率，在完全击败音频验证码方面达到了 85%+ 的准确率。
首先，安装 Python 依赖项：
$ pip install -r requirements.txt
确保您也安装了 sox、ffmpeg 和 selenium！
$ apt-get install sox ffmpeg selenium
然后，启动 PoC：
$ python main.py --audio --reddit
这将打开 reddit.com，与页面交互进入账户注册页面，生成一个假的用户名、电子邮件、密码，然后攻击音频验证码。一旦验证码完成（无论是否通过），浏览器将退出。
