Focal camera – модульная камера “с открытым кодом”

Focal camera – модульная камера “с открытым кодом”

В течение последнего года голландский художник Матиус вас Оостерхоудт (Mathijs van Oosterhoudt) занимается разработкой новой фотосистемы. Нет, это не высокотехнологичная цифровая система, которая собирается дать бой крупнейшим мировым производителям. Это модульная система, призванная научить вас, как устроены сложные камеры. Система называется Focal Camera.

Поначалу Ван Оостерхоудт использовал систему Focal Camera, чтобы проводить мастер-классы, однако теперь решил опубликовать свои разработки в интернете, дабы каждый желающий мог в форме увлекательной игры бесплатно познакомиться с серьезными принципами камеростроения.

“Даже сложные камеры можно построить простыми средствами”, говорится на сайте проекта Focal Camera. Там размещена целая коллекция различных модульных конструкций с инструкциями. Основной компонент – центральный куб, который служит “базовым модулем”. Все прочие модули (например, пленочный задник 6х6, оптический видоискатель, пинхол и так далее) могут быть состыкованы с базовым модулем различными спсобами, что позволяет создавать камеры разных типов.

Некоторые из модулей с сайта проекта Focal Camera

Все модули устроены так, что их можно вырезать лазером из трехмиллиметрового материала. В зависимости от модуля, вам могут понадобиться дополнительные материалы (например, зеркало, линза или объектив, матовое стекло).

Ранний прототип зеркальной камеры

Камера, собранная по принципу среднеформатного Hasselblad 6х6 см

Взгляд через матовое стекло видоискателя

После того, как вы сделали отдельные модули и скомбинировали их в желаемым образом, нужно герметично проклеить всю конструкцию, чтобы обеспечить жесткость и исключить попадание света..

Вот несколько камер, которые были созданы из модулей системы Focal Camera::

Пинхол-камера с затвором. Фото: Сихад Цанер (Cihad Caner)

Камера с гильотиновым затвором. Фото: Сихад Цанер (Cihad Caner)

В этой камере использован старинный объектив из складной среднеформатной камеры. Фото: Сихад Цанер (Cihad Caner)

Камера-трихромат, расщепляющая свет на красный, зеленый и синий каналы. Фото: Сихад Цанер (Cihad Caner)

И наконец, примеры снимков, сделанных камерами системы Focal Camera:

Фото: Qianwei Tong

Фото: Mathijs van Oosterhoudt

Фото: Mihail Bakalov

Если вас заинтересовала идея модульного конструктора Focal Camera, на вебсайте проекта вы найдете инструкции и все нужные для начала работы файлы.

Как сделать 3D-скан любого объекта обычной камерой — часть 1

Всем мозгочинам, большой привет! Если в течение последних нескольких лет вы не жили где-нибудь в глуши, то наверняка слышали о такой отличнейшей вещи, как 3D-печать. С помощью неё мы может распечатать почти что угодно, если конечно имеется соответствующая 3D-модель. А сегодня мы узнаем о том, как получать такие модели с помощью обычного фотоаппарата!

Итак, для получения 3D-моделей нужных объектов есть много мозгоспособов, но лучшим конечно является 3D-сканирование, которое в сочетание с хорошим принтером позволяет воспроизвести любой объект, начиная от целого дома и заканчивая обычной сережки. К тому же полученный скан можно использовать как основу ваших будущих самоделок. Вы только задумайтесь о том, что можно сделать с обычной цифровой фотографией, а сейчас она еще поможет создать реальные трехмерные объекты!

Еще одним приятным моментом 3D-сканирования является то, что у вас наверняка уже есть для это нужное оборудование, и возможно оно лежит у вас где-то в кармане, или вы смотрите на него (думаю, я пишу эти строки, а вы уже догадались что это :)). Да, это оборудование, позволяющие запечатлеть окружающий мир в 3D, простой фотоаппарат. И он, в купе с небольшим количеством мозготехники и недорогого, или даже свободного софта, превращается в самый универсальный 3D-принтер в целом мире. Знакомьтесь с этой мозгостатьей и вы узнаете, как именно это осуществить!

Шаг 1: Как же это работает?

Суть проста — необходимо получить достаточно много фотографий нужного вам объекта, при этом
каждая деталь этого объекта должна быть как минимум на 3-х фото. Далее они загружаются в специальную программу, которая распознает отдельные места объекта, и используя тригонометрию и «темную магию», выдает их положение в трех плоскостях. Распознав достаточное количество таких мест (иногда до нескольких миллионов) программа может создать цифровую модель самого мозгообъекта, которой можно, например, удивить своих друзей, или встроить ее в видеоигру, или послать на 3D-печать.

Для получения подходящих фотографий нужно немного попрактиковаться, конечно профессиональным фотографом становиться не требуется, но если ваш опыт в этом деле не выходит за рамки селфи, то потренироваться стоит.

Со специализированным софтом работать не сложно, большинство бесплатных пакетов не предусматривают большого количество опций, поэтому просты в использовании. Более профессиональные версии требуют времени для работы с ними и материальных затрат на их покупку, но в итоге они приятно вас удивят.

Шаг 2: Подойдет ли моя камера?

Да. И это я заявляю точно. Естественно, что какие-то камеры будут проявлять себя лучше других. «Идеальная» камера будет выдавать кристально чистые, четкие, великолепно проэкспонированные, неискаженные фотографии высокого разрешения при любых условиях. Таких камер, к большому сожалению, нет, но это пока. В данном мозгоруководстве использовались несколько типов камер, и представленные сканы сделаны из фотографий снятых каждой камерой.

Теоретически подойдет и старый Nikon FM2, но для получения более-менее приемлемой модели нужно отснять им около 5 рулонов пленки, поэтому проверять это на деле я не буду 🙂

Шаг 3: DSLR-камера

Цифровые однообъективные зеркальные камеры — это до сих пор, высокий стандарт фотосъемки и, как говорится, заслуженно. Они предоставляют качество, многовариантность и настройки, которых нигде больше не найти, и чтобы получить все вышеперечисленное не обязательно иметь дорогой фотоаппарат. Большинство своих 3D-моделей я сделал с помощью 12.3 MP Nikon D5000. Другие, более новые и более дорогие мозгокамеры могут дать большее разрешение, а значит больше информации, и следовательно, обработка займет больше времени.

Читайте также:  Фотовыставка под открытым небом «Доминиканская республика: сокровище Карибского моря»

Большинство зеркальных камер могут сохранять фото в формате RAW («сырые», необработанные данные), то есть избежать jpeg-сжатия. Опция это полезная, если вы хотите получить 3D-модель самого высокого качества.

Эту красивую резную панель я снял в вестибюле гостиницы в Орландо, сделав 49 снимков в сложном свете камерой Nikon D5000 и объективом 18-55мм.

Шаг 4: PaS-камеры

PaS (Point-and-Shoot, фокусируйся и снимай)-камеры и их беззеркальные собратья имеют преимущество перед зеркальными фотоаппаратами в низкой цене. В лучших из них есть режим ручной настройки, для
самостоятельной настройки нужной экспозиции. У PaS-камер Canon есть еще большой плюс — CHDK — «прошивка» с открытым кодом, которую можно оптимизировать для ваших конкретных целей.

Эту «очаровашку» я встретил в фойе Miami Biltmore, ее задача поддерживать лестницу, поэтому она наверное выглядит такой усталой 🙂 Ее я запечатлел на 20 фото с помощью PaS- камеры Nikon Coolpix.

Шаг 5: GoPro и другие экшн-камеры

Взяв GoPro, сделав что-то «безбашенное», разместив снятый ролик на YouTube, тогда возможно и вы станете знаменитым. А что если одновременно с этим запечатлеть ваши трюки в 3D?

Большинство фотограмметрического софта не дают качественного результата при работе с GoPro, и причиной тому объектив «рыбий глаз», дающий искажения. В последних версиях мозгософта Agisoft PhotoScan имеется специальная опция для такого объектива, и модели получаются достойными, но кажется что на это тратиться больше времени, чем с обычным алгоритмом. Большой плюс последних GoPro-камер в наличии режимов замедленной и сверхскоростной съемок, позволяющие автоматически делать кадры со скоростью от 1 кадра в минуту до 10 кадров в секунду, что очень полезно, так как камеру при этом можно разместить на черенке от швабры или малярного валика, получив тем самым нужный угол съемки, и без данных опций это было бы затруднительно.

Для следующей модели я использовал камеру Hero4 Silver в режиме скоростной съемки 10 кадров в 3 секунды. Мое лицо выражает концентрацию, которая необходима для удерживания головы на сколько это возможно неподвижно.

Шаг 6: Видеокамеры

В тех случаях, когда нам необходимо большое количество фотографий объекта, то возникает логический вопрос: «А что если использовать видео?». Видеокамеры обычно снимают со скоростью 24 кадра в секунду, и значит, что для получения необходимых фотографий нужно лишь волнообразно снять видеокамерой объект, обойдя его по кругу, словно мы бы красили ей этот мозгообъект. Кадры во время видеосъемки делаются настолько быстро, почти невозможно не получить необходимого перекрытия между снимками.

В принципе идея хорошая, да и на практике работает, но не достаточно хорошо. Разрешение кадров видеосъемки и совсем не то, что и у фотокамер. Большинство видеокамер имеют крошечные сенсоры и дешевую оптику, которые оптимизированы для видеосъемки, но не дают достаточно четких кадров.
Возможно в скором будущем можно будет брать пригодные кадры из видео, особенно когда станут доступны 6К- и 8К-камеры, которые могут записывать несжатые изображения. А возможно и софт оптимизируют так, что станет возможным обрабатывать просто огромное количество снимков низкого качества.

Для эксперимента я провел сканирование с помощью камеры недорогого квадрокоптера в VGA-разрешении. В принципе получилось, да и не настолько плохо, как я ожидал. Качество еще пострадало из-за того, что я не столь опытен в пилотировании квадрокоптера.

Шаг 7: Смартфоны

Возможно самый лучший вариант для начала это смартфон. Большинство современных моделей идут с довольно приличными камерами и есть дополнительные приложения для их более функционального использования. Но реальный потенциал камер смартфонов раскрывается специальными скан-приложениями, возможности которых выходят за рамки того, чтобы просто снимать фотографии. Так приложение 123dCatch от Autodesk использует сенсоры смартфона для определения направления расположения камеры и подсказывает вам как получить удачные мозгокадры, а после съемки загружает ваши фото на собственный сервер для их обработки. Если вы не захотите делать это посредством своего тарифного план, то возможно это будет удобно по WiFi. Недостаток текущей версии этого приложения в том, что оно не сохраняет полученные фото на вашем смартфоне (по крайней мере так с Android-версией), и если (или лучше сказать — когда) что-то пойдет не так в процессе сканирования, то чтобы это исправить просто так к фотографиям не добраться.

Это скан одной из моих наковален, сделанный из 74 фотографий на Samsung Galaxy S5, обработанных в Agisoft.

Шаг 8: Так что же лучше?

Когда вы только начинаете, то лучшим выбором будет лучшая из имеющихся у вас камер, ну а самый лучший вариант это конечно же DSLR-камера. И если вы планируете приобрести камеру для серьезного трехмерного сканирования, или для профессионального фотографирования, то DSLR самое то. Но не стоит забывать, что все зависит от качества снимков, а не качества самой мозгокамеры, и с правильными навыками и верных условиях можно сделать хорошие снимки даже на «плохую» камеру, а если вы не знаете что и как делать, то и с хорошей камерой получатся плохие фото. Поэтому, если хотите в это вкладывать, то вкладывайте в свои умения как фотографа, ведь камера настолько хороша, насколько хорош стоит фотограф за ним.

Фотосканирование чего-то сложного, например, сделанное мной сканирование ушка иголки, требует хорошего понимания как самого фотографирования, так и фотограмметрии. Для этого мозгоскана я сделал 63 снимка камерой Nikon D5000 DSLR с объективом 40мм Micro NIKKOR и удлинительным кольцом.

Шаг 9: Что сканировать

Для начала выбираем что-то простое, но что даст хороший результат.

Предмет должен…
быть неподвижным,
быть не слишком блестящим,
быть не очень габаритным, чтобы можно было обойти вокруг него,
или не слишком мелким, чтобы не требовались специальные фотографические навыки и оборудование,
иметь поверхность со многими деталями, а не однородными областями,
но не иметь большого количества слишком мелких, тонких частей.

Вот обычный ботинок отличный объект для первого сканирования. Возьмите какой-нибудь простой и практичный, без кричащих «блестяшек».

Шаг 10: Подготовка к сканированию

Выбранный предмет помещаем на табуретку или коробку, чтобы не ползать вокруг него по полу. Я, к примеру, поставил этот чайник на штатив, чтобы комфортно снимать его.

Читайте также:  Очки DJI Goggles позволяют управлять камерой дрона движениями головы

Далее убеждаемся, что предмет хорошо освещен. Если вы можете вращать объект, снимая его на улице в пасмурный день, то это просто отлично, и так вы получите много хорошего рассеянного света. Если же вам нужно проводить съемку в помещении, то установите достаточно света и сделайте его по возможности рассеянным. Направьте свои источники мозгосвета на белый потолок или отражатели, ну или на серебристые зонтики. Суть в том, чтобы получить как можно больше рассеянного света с минимальным количеством затенений. Вспышка на камере в этом случае не особо полезна, она, как правило, отбрасывает тени, которые на разных снимках появляются в разных местах. Отдаленные стробы хороши для наших целей если обеспечивают рассеянный, ровный света.

Затем делаем не менее сотни снимков, чтобы быть уверенным, что этого хватит. Снимать можно и со штатива, но тогда на это уйдет больше времени, поэтому по возможности лучше так не делать. То есть схема такова — получить достаточно света, чтобы можно было фотографировать с рук.

Создание модели распознавания лиц с использованием глубокого обучения на языке Python

Переводчик Елена Борноволокова специально для Нетологии адаптировала статью Файзана Шайха о том, как создать модель распознавания лиц и в каких сферах ее можно применять.

Введение

За последние годы компьютерное зрение набрало популярность и выделилось в отдельное направление. Разработчики создают новые приложения, которыми пользуются по всему миру.
В этом направлении меня привлекает концепция открытого исходного кода. Даже технологические гиганты готовы делиться новыми открытиями и инновациями со всеми, чтобы технологии не оставались привилегией богатых.

Одна из таких технологий — распознавание лиц. При правильном и этичном использовании эта технология может применяться во многих сферах жизни.

В этой статье я покажу вам, как создать эффективный алгоритм распознавания лиц, используя инструменты с открытым исходным кодом. Прежде чем перейти к этой информации, хочу, чтобы вы подготовились и испытали вдохновение, посмотрев это видео:

Распознавание лиц: потенциальные сферы применения

Приведу несколько потенциальных сфер применения технологии распознавания лиц.

Распознавание лиц в соцсетях. Facebook заменил присвоение тегов изображениям вручную на автоматически генерируемые предложения тегов для каждого изображения, загружаемого на платформу. Facebook использует простой алгоритм распознавания лиц для анализа пикселей на изображении и сравнения его с соответствующими пользователями.

Распознавание лиц в сфере безопасности. Простой пример использования технологии распознавания лиц для защиты личных данных — разблокировка смартфона «по лицу». Такую технологию можно внедрить и в пропускную систему: человек смотрит в камеру, а она определяет разрешить ему войти или нет.

Распознавание лиц для подсчета количества людей. Технологию распознавания лиц можно использовать при подсчете количества людей, посещающих какое-либо мероприятие (например, конференцию или концерт). Вместо того чтобы вручную подсчитывать участников, мы устанавливаем камеру, которая может захватывать изображения лиц участников и выдавать общее количество посетителей. Это поможет автоматизировать процесс и сэкономить время.

Настройка системы: требования к аппаратному и программному обеспечению

Рассмотрим, как мы можем использовать технологию распознавания лиц, обратившись к доступным нам инструментам с открытым исходным кодом.

Я использовал следующие инструменты, которые рекомендую вам:

  • Веб-камера (Logitech C920) для построения модели распознавания лиц в реальном времени на ноутбуке Lenovo E470 ThinkPad (Core i5 7th Gen). Вы также можете использовать встроенную камеру своего ноутбука или видеокамеру с любой подходящей системой для анализа видео в режиме реального времени вместо тех, которые использовал я.
  • Предпочтительно использовать графический процессор для более быстрой обработки видео.
  • Мы использовали операционную систему Ubuntu 18.04 со всем необходимым ПО.

Прежде чем приступить к построению нашей модели распознавания лиц, разберем эти пункты более подробно.

Шаг 1: Настройка аппаратного обеспечения

Проверьте, правильно ли настроена камера. С Ubuntu это сделать просто: посмотрите, опознано ли устройство операционной системой. Для этого выполните следующие шаги:

  1. Прежде чем подключить веб-камеру к ноутбуку, проверьте все подключенные видео устройства, напечатав в командной строке ls /dev/video* . В результате выйдет список всех видео устройств, подключенных к системе.
  2. Подключите веб-камеру и задайте команду снова. Если веб-камера подключена правильно, новое устройство будет отражено в результате выполнения команды.
  3. Также вы можете использовать ПО веб-камеры для проверки ее корректной работы. В Ubuntu для этого можно использовать программу «Сheese».

Шаг 2: Настройка программного обеспечения

Шаг 2.1: Установка Python

Код, указанный в данной статье, написан с использованием Python (версия 3.5). Для установки Python рекомендую использовать Anaconda – популярный дистрибутив Python для обработки и анализа данных.

Шаг 2.2: Установка OpenCV

OpenCV – библиотека с открытым кодом, которая предназначена для создания приложений компьютерного зрения. Установка OpenCV производится с помощью pip :

Шаг 2.3: Установите face_recognition API

Мы будем использовать face_recognition API , который считается самым простым API для распознавания лиц на Python во всем мире. Для установки используйте:

Внедрение

После настройки системы переходим к внедрению. Для начала, мы создадим программу, а затем объясним, что сделали.

Пошаговое руководство

Создайте файл face_detector.py и затем скопируйте приведенный ниже код:

Затем запустите этот файл Python, напечатав:

Если все работает правильно, откроется новое окно с запущенным режимом распознавания лиц в реальном времени.

Подведем итоги и объясним, что сделал наш код:

  1. Сначала мы указали аппаратное обеспечение, на котором будет производиться анализ видео.
  2. Далее сделали захват видео в реальном времени кадр за кадром.
  3. Затем обработали каждый кадр и извлекли местонахождение всех лиц на изображении.
  4. В итоге, воспроизвели эти кадры в форме видео вместе с указанием на то, где расположены лица.

Пример применения технологии распознавания лиц

На этом все самое интересное не заканчивается. Мы сделаем еще одну классную вещь: создадим полноценный пример применения на основе кода, приведенного выше. Внесем небольшие изменения в код, и все будет готово.

Предположим, что вы хотите создать автоматизированную систему с использованием видеокамеры для отслеживания, где спикер находится в данный момент времени. В зависимости от его положения, система поворачивает камеру так, что спикер всегда остается в центре кадра.
Первый шаг — создайте систему, которая идентифицирует человека или людей на видео и фокусируется на местонахождении спикера.

Читайте также:  Творческая встреча с фотохудожником Владиславом Багно пройдет в Галерее Классической Фотографии

Разберем, как это сделать. В качестве примера я выбрал видео на YouTube с выступлением спикеров конференции «DataHack Summit 2017».

Сначала импортируем необходимые библиотеки:

Затем считываем видео и устанавливаем длину:

После этого создаем файл вывода с необходимым разрешением и скоростью передачи кадров, аналогичной той, что была в файле ввода.

Загружаем изображение спикера в качестве образца для распознания его на видео:

Закончив, запускаем цикл, который будет:

  • Извлекать кадр из видео.
  • Находить все лица и идентифицировать их.
  • Создавать новое видео, которое будет сочетать в себе оригинал кадра с указанием местонахождения лица спикера с подписью.

Посмотрим на код, который будет это выполнять:

Код даст вам вот такой результат:


Камера с открытым кодом

Прошло некоторое время с тех пор, как мы в последний раз сообщили о статусе бета-камеры apertus AXIOM, поэтому на прошлой неделе воспользовался возможностью встретиться и поговорить с Себастьяном Пишельхофером (он выступает в качестве руководителя проекта AXIOM, председателя ассоциации и одного из разработчиков программного обеспечения), чтобы узнать, что нового и в каком состоянии находится проект.

Приятно было слышать и видеть, что это уникальное предприятие с открытым исходным кодом / открытым оборудованием для кинокамер действительно продвигается к тому моменту, когда разработчики и первые инвесторы уже могут получить свой комплект. Имейте в виду, что если вы являетесь «конечным пользователем», как я, тогда камера НЕ готова, поскольку корпус и фактическая операционная система камеры все еще находятся в разработке. Без них работа камеры может быть усложнена.

Надеюсь, вы потратите немного времени и понаблюдаете за нашим 21-минутным интервью с дружелюбным Себастьяном, но если у вас нет времени, вот основные пункты обсуждения:

– более 500 человек поддержали свою успешную кампанию в Indiegogo;

– Magic Lantern был назначен на разработку «цветовидения» в камере;

– на фотоаппарате на самом деле будет несколько «опций цветовидения» на выбор, позволяющий сменить «фильм» на один щелчок кнопки;

– философия построения «камеры типа лего» не изменилась. Один из них сможет смешивать и сопоставлять различные компоненты, такие как штыки объективов, типы датчиков и т. д.;

– в настоящее время разрабатываются два типа корпусов для камер: версия для печати «Lite» для пользователей, которым это нужно сейчас, и надежная версия из алюминия, которая будет обслуживать большинство будущих пользователей;

– ребята из Apertus ищут решение для записи SD RAID для своей камеры, где пользователи могут сами менять карты в соответствии с их потребностями ВСЁ, открытое для сообщества, проверяет и проверяет, от стоимости материалов до фактического статуса развития.

См. Полную информацию на сайте Apertus здесь

Так же можно посмотреть образы фотографий здесь

В Сеть утекли данные более 44 тыс. желающих взять кредит россиян

В Сеть попали данные клиентов кредитного брокера «Альфа-Кредит», который собирает заявки на кредиты и помогает выбрать и получить заем в банке. Они содержались в системе управления базами данных MongoDB с открытым кодом, используемой некоторыми компаниями для внутренних задач. Поисковик проиндексировал базу 31 января, рассказал РБК основатель и технический директор компании в сфере информационной безопасности DeviceLock Ашот Оганесян, обнаруживший эти данные 1 февраля. В тот же день DeviceLock уведомила брокера о происшествии.

База содержала более 44 тыс. записей, убедился РБК. В каждой были указаны ФИО клиента, сумма и вид запрашиваемого кредита, номер телефона, адрес электронной почты, город и регион проживания. Несколько человек из базы подтвердили РБК, что подавали заявку на заем через «Альфа-Кредит». Источник РБК, близкий к брокеру, подтвердил утечку в компании.

Запрос РБК, направленный в «Альфа-Кредит» 3 февраля, остался без ответа, но на следующий день база была закрыта, следует из информации в поисковике. Таким образом, данные клиентов были в свободном доступе в течение четырех дней.

Как работают кредитные брокеры

Кредитные брокеры выступают посредниками между банками и заемщиками. На сайте «Альфа-Кредита» указано, что он помогает в любых видах кредитования физических и юридических лиц, а также оказывает другие финансовые услуги. Компания указывает, что не связана с Альфа-банком, хотя имеет похожие название и фирменный цвет. Пресс-служба Альфа-банка также заявила, что банк не имеет никакого отношения к «Альфа-Кредиту» и никогда не состоял с ним в партнерских отношениях.

Среди банков-партнеров на сайте указаны Райффайзенбанк, Совкомбанк, Промсвязьбанк, «Возрождение», «Юникредит», «Ростфинанс», «Российский капитал» (ныне «Дом.РФ»), «Союз», Связь-банк, УБРиР и Банк жилищного финансирования. Представители Райффайзенбанка, Промсвязьбанка, Совкомбанка, «Дом.РФ», Связь-банка и «Возрождения» сообщили РБК, что их банки не сотрудничают с «Альфа-Кредитом»; остальные банки не ответили на запросы.

Кредитные брокеры живут за счет дохода, который получают в виде комиссий от банков за каждого приведенного клиента, объясняет младший директор по банковским рейтингам «Эксперт РА» Вячеслав Путиловский. Деятельность кредитных брокеров российским законодательством не запрещена, но они могут оказывать лишь информационные, консультационные и юридические услуги, отмечает старший партнер коллегии адвокатов Pen & Paper Валерий Зинченко. «Брокеру необязательно заключать договор с банком, чтобы оказывать услуги по сопровождению заключения договора с таким банком. Банк не может запретить брокеру осуществлять такую деятельность», — отмечает он.

Базы данных MongoDB попадают в открытый доступ из-за халатности системных администраторов, а также обслуживающего и настраивающего их технического персонала, полагает Оганесян: «По умолчанию MongoDB не требует логин и пароль для получения доступа к ней, поэтому если эти степени защиты не будут настроены, то данные автоматические оказываются в Сети, а специализированные поисковики их индексируют и находят».

Технически на закрытие доступа к подобным базам требуется несколько минут после получения оповещения об открытости, отмечает Оганесян. Времени нахождения в открытом доступе было достаточно, чтобы их кто-нибудь обнаружил и скачал, рассуждает эксперт, добавляя, что на продажу эта база пока не выставлялась.

Опубликованная информация может использоваться участниками финансового рынка, например банками, которые могут обзванивать ее фигурантов для привлечения клиентов, добавляет руководитель направлений комплаенс и аудит департамента информационной безопасности Softline Илья Тихонов. Мошенники могут использовать полученные данные в схемах социальной инженерии, но, как подчеркивает эксперт, это менее вероятно, так как в базе личных данных не так много.

Оцените статью
Добавить комментарий