Tue. Jul 5th, 2022

ini Sidang Kemuncak Teknologi Transformasi bermula pada 13 Oktober dengan tema Kod Rendah / Tanpa Kod: Mencapai Ketangkasan Perusahaan. Daftar sekarang!


biarkan Komunikasi Korporat OSS Bimbing perjalanan sumber terbuka anda! Daftar disini.

Apabila pengaturcara perlu membuat proksi yang lebih pendek untuk fail atau blok data yang lebih besar, mereka biasanya beralih ke fungsi hash. Pengaturcara ini menganalisis sekumpulan data dan menghasilkan bilangan pendek, yang boleh digunakan sebagai pengganti atau singkatan untuk set bait yang lebih besar, kadang-kadang dalam indeks dan kadang-kadang dalam pengiraan yang lebih kompleks.

Fungsi hash persepsi disesuaikan untuk menghasilkan hasil yang sama untuk gambar atau suara yang serupa. Tujuan mereka adalah untuk meniru persepsi manusia dengan memberi tumpuan kepada jenis ciri (warna dan frekuensi) yang mendorong penglihatan dan pendengaran manusia.

Banyak fungsi hash bukan persepsi yang popular sangat sensitif terhadap perubahan terkecil. Cukup membalik sedikit, misalnya dengan mengubah jumlah biru dalam piksel dari 200 unit menjadi 199 unit, boleh mengubah separuh bit dalam fungsi hash. Fungsi hash persepsi bertujuan untuk mengembalikan jawapan kepada gambar atau bunyi yang mungkin dirasakan manusia serupa. Dengan kata lain, perubahan kecil dalam media tidak akan mempengaruhi output.

Fungsi hash mempermudah pencarian dan pengindeksan melalui pangkalan data dan penyimpanan data lain. Hash table adalah struktur data yang terkenal dengan tindak balas yang cepat. Ia bergantung pada fungsi hash yang baik sebagai indeks untuk mencari blok data yang lebih besar dengan cepat. Sebagai contoh, algoritma pengecaman wajah menggunakan fungsi hash persepsi untuk menyusun gambar orang dalam gambar. Algoritma ini menggunakan jarak relatif antara ciri wajah (seperti mata, hidung, dan mulut) untuk membina vektor digital pendek yang dapat mengatur koleksi gambar.

Beberapa algoritma bergantung pada fungsi hash untuk menandakan perubahan. Kaedah ini sering disebut “checksum” dan pada mulanya digunakan sebagai cara cepat untuk mencari data yang salah maklumat. Pengirim dan penerima boleh menambahkan semua bait dalam data bersama-sama dan membandingkan jawapannya. Sekiranya kedua-duanya setuju, algoritma mungkin menganggap bahawa tidak ada kesalahan yang dibuat-ini adalah anggapan yang tidak dapat dijamin. Sekiranya kesalahan dalam penghantaran berlaku dalam beberapa cara — contohnya, menambahkan tiga bait ke satu bait dan mengurangkan tiga dari bait lain — kesalahan akan dibatalkan dan algoritma checksum tidak dapat menangkap kesalahan tersebut.

Apabila dua blok data yang berbeza menghasilkan nilai hash yang sama, semua fungsi hash terdedah kepada “perlanggaran”. Oleh kerana bilangan blok data yang mungkin jauh lebih besar daripada jumlah jawapan yang berpotensi, keadaan ini lebih kerap berlaku pada fungsi hash yang menghasilkan jawapan yang lebih pendek.

Fungsi tertentu, seperti algoritma hash selamat standard pemerintah AS (SHA256), dirancang untuk menjadikannya hampir mustahil bagi sesiapa sahaja untuk mengesan konflik. Mereka dirancang untuk menggunakan prinsip yang sama dengan rutin penyulitan yang kuat untuk mencegah teknik terbalik. Banyak algoritma kriptografi bergantung pada fungsi hash yang selamat, seperti SHA256 sebagai blok bangunan, dan sebilangan orang menyebutnya sebagai “pita” kriptografi.

Fungsi hash persepsi tidak dapat ditolak. Reka bentuk mereka menjadikan data serupa menghasilkan nilai hash yang serupa, yang memudahkan pencarian konflik. Ini menjadikan mereka terdedah kepada penipuan dan menyesatkan. Dengan adanya fail, agak mudah untuk membina fail kedua yang mempunyai penampilan dan penampilan yang sama sekali berbeza tetapi menghasilkan nilai hash persepsi yang sama.

Bagaimana fungsi hash persepsi berfungsi?

Fungsi hash persepsi masih merupakan kawasan penyelidikan yang aktif, dan tidak ada standard yang jelas atau bahkan dominan. Fungsi-fungsi ini cenderung membahagikan fail suara atau gambar menjadi potongan yang agak besar, dan kemudian menukar bentuk atau bunyi yang serupa dengan nilai yang sama. Corak kasar dan pembahagian nilai dalam blok ini dapat dianggap versi resolusi rendah, dan biasanya sama atau sangat serupa untuk gambar atau suara yang serupa.

Sebagai contoh, fungsi asas suara dapat membahagikan fail menjadi bahagian satu saat, dan kemudian menganalisis kehadiran atau ketiadaan frekuensi di setiap bahagian. Sekiranya terdapat suara frekuensi rendah, seperti antara 100Hz dan 300Hz, fungsi dapat menetapkan 1 ke bahagian tersebut. Ia juga dapat menguji frekuensi popular lain, seperti rentang suara manusia yang biasa. Beberapa fungsi automatik yang mengenali musik pop dapat dilakukan dengan baik dengan fungsi yang sederhana, kerana mereka akan merasakan irama bass dan saat seseorang menyanyi.

Ukuran blok dan kekerapan pengujian dapat disesuaikan mengikut aplikasi. Fungsi hash yang digunakan untuk mengenalpasti birdong mungkin dipicu oleh frekuensi yang lebih tinggi. Blok yang lebih pendek memberikan ketepatan yang lebih tinggi-jika tujuannya hanya untuk mengumpulkan suara yang serupa, maka ini mungkin bukan yang kita mahukan.

Fungsi gambar menggunakan teknik yang serupa untuk warna dan blok. Atas sebab ini, banyak fungsi persepsi biasanya sesuai dengan bentuknya. Foto seseorang dengan tangannya di sisi dan kaki yang terpisah mungkin sepadan dengan foto Menara Eiffel kerana mereka mempunyai bentuk yang sama.

Beberapa pilihan biasa untuk membandingkan gambar adalah ahash, dhash, dan phash. Setelah membahagikan gambar menjadi grid 8 × 8 dari 64 blok, ahash mengira warna purata setiap blok. Fungsi phash boleh digunakan sebagai Sumber terbuka.

Apa yang mereka boleh buat?

Persepsi perseorangan dapat menyokong pelbagai aplikasi:

  • Pelanggaran hak cipta – Nilai hash yang serupa dapat mengesan dan mencocokkan gambar, suara, atau video, bahkan jika nilai tersebut telah diubah dengan memotong atau mengurangi ukurannya.
  • Penandaan video dengan penekanan wajah dapat membantu mengindeks video untuk mengenal pasti kapan orang tertentu dapat dilihat.
  • Kesalahan ejaan -Fungsi hash yang menyedari teks dapat mengklasifikasikan kata mengikut suaranya, sehingga dapat menangkap dan membetulkan perkataan yang salah eja.
  • Keselamatan-persepsi hash dapat mencari dan mengenal pasti orang atau haiwan dalam video atau gambar pegun yang mengesan pergerakan mereka.
  • Pematuhan-Beberapa algoritma dapat mengesan apa yang dipakai orang, yang berguna untuk tapak pembinaan dan hospital. Contohnya, algoritma dapat memberi tanda pada orang yang mungkin tidak memakai alat pelindung diri yang dikehendaki oleh undang-undang.

Bagaimana pemain tradisional menggunakannya

Beberapa pangkalan data-seperti MySQL, Oracle, dengan Microsoft – gunakan Seiyuu Algoritma ini membolehkan “carian kabur” untuk kata-kata yang terdengar serupa, walaupun ejaannya berbeza. Jawapan untuk algoritma ini terdiri daripada huruf diikuti oleh beberapa nombor. Contohnya, “PASTI” dan “SHORE” menghasilkan hasil yang sama: “S600”.

Beberapa syarikat awan juga menyediakan algoritma pengenalan wajah yang dapat disatukan dengan mudah dengan pangkalan data mereka.Microsoft biru langitContohnya, sediakan wajah, yang merupakan alat yang dapat mencari dan mengelompokkan wajah yang serupa dalam sekumpulan gambar. API syarikat akan mencari dan mengembalikan sifat wajah seseorang-seperti warna rambut atau kehadiran rambut wajah apa pun. Ia juga akan berusaha membina anggaran usia dan emosi asas orang (kemarahan, penghinaan, kebahagiaan, dll.).

Amazon Mengenali Ia dapat mengesan wajah dalam gambar dan atribut berguna lain, seperti teks. Ini sesuai untuk gambar dan video pegun, yang membuatnya sesuai untuk banyak tugas, seperti mencari semua adegan pelakon tertentu. Pengakuan juga menyimpan pangkalan data selebriti dan akan mengenalinya dalam gambar anda.

Google API Penglihatan Awan Kesan dan klasifikasikan banyak bahagian gambar, seperti teks atau mercu tanda. Alat ini tidak memberikan pengecaman wajah secara langsung, tetapi API akan mencari dan mengukur kedudukan elemen, seperti titik tengah antara mata dan batas alis. Pengiktirafan selebriti Pada masa ini ia adalah produk beta terhad.

Cara pemula menggunakannya

Apple baru-baru ini Mengumumkan Ia akan menggunakan fungsi hash persepsi yang disebut NeuralHash untuk mencari iPhone pelanggan untuk gambar penderaan seksual kanak-kanak yang berpotensi menyalahi undang-undang. Hasil algoritma hash persepsi akan dibandingkan dengan nilai gambar yang diketahui yang terdapat dalam tinjauan lain. Prosesnya akan automatik, tetapi sebarang perlawanan boleh mencetuskan penyelidikan.

Banyak syarikat-seperti Mingshi Atau Facebook-sedang membuat pangkalan data yang penuh dengan persepsi persepsi gambar yang diimbas. Biasanya, mereka tidak akan menyediakan pangkalan data ini kepada pemaju lain.

Topik ini adalah bidang penerokaan aktif.Beberapa versi sumber terbuka termasuk Nilai Hash, Sekat hash, dengan OpenCV.

Adakah terdapat fungsi persepsi hash yang tidak dapat dilakukan?

Walaupun fungsi hash persepsi biasanya sangat tepat, mereka sering menghasilkan padanan palsu.Perisian pengecaman wajah Apple yang digunakan untuk membuka kunci iPhone kadang-kadang boleh mengelirukan ibu bapa dan anak-anak, yang menyebabkannya Anak-anak membuka kunci telefon ibu bapa mereka.

Secara umum, kemampuan fungsi hash untuk mengurangkan set data yang biasanya besar atau kompleks kepada bilangan yang lebih pendek juga merupakan sumber kelemahan ini. Konflik tidak mungkin dapat dielakkan, kerana biasanya jumlah kemungkinan jawapan jauh lebih kecil dan jumlah input jauh lebih besar. Walaupun beberapa fungsi hash yang selamat secara kriptografi mungkin mengalami kesukaran untuk mencari konflik ini, mereka masih ada.

Begitu juga, kelebihan memahami fungsi hash juga merupakan kelemahan utama. Sekiranya fungsi ini berfungsi dengan baik untuk menghampiri persepsi manusia, maka lebih mudah bagi manusia untuk mengesan dan bahkan menyebabkan perlanggaran. Terdapat banyak serangan yang dapat memanfaatkan aspek ini. Beberapa projek eksperimen awal (Di sini Dan Di sinimisalnya, sediakan perisian yang membantu mencari atau bahkan mewujudkan konflik.

VC

Misi VentureBeat adalah menjadi dataran bandar digital bagi pembuat keputusan teknologi untuk memperoleh pengetahuan mengenai teknologi transformatif dan melakukan transaksi. Laman web kami memberikan maklumat penting mengenai teknologi data dan strategi untuk membimbing anda memimpin organisasi anda. Kami menjemput anda untuk menjadi ahli komuniti kami untuk mengunjungi:

  • Maklumat terkini mengenai topik yang menarik minat anda
  • Surat berita kami
  • Kandungan pemimpin pemikiran tertutup dan akses potongan ke aktiviti berharga kami, seperti Transformasi 2021: ketahui lebih lanjut
  • Fungsi rangkaian, dll.

menjadi ahli

By admin

Leave a Reply

Your email address will not be published.