Metoda AI pro odhalení „chráněných“ PIN vstupů na bankomatech

Výzkumníci v Itálii a Nizozemsku vyvinuli metodu strojového učení, která je schopna odhadnout PIN číslo, které zákazník vloží do bankomatu, na základě zaznamenaného videa – i v případech, kdy zákazník chrání svou ruku před肩surfingem.

Metoda zahrnuje trénování Konvoluční neuronové sítě (CNN) a modulu Long Short-Term Memory (LSTM) na videích „chráněných“ PIN vstupů na „stínovém“ bankomatu, který je vybaven stejnou klávesnicí jako cílový bankomat – zařízení, které lze zakoupit, jak výzkumníci provedli pro projekt, a vytvořit „zrcadlový“ bankomat za účelem shromáždění dat.

Falešný bankomat lze trénovat v soukromí, jak výzkumníci provedli, čímž se eliminuje riziko veřejných instalací falešných bankomatů, což je běžný modus operandi tohoto typu zločinu.

Vlevo, dva modely pin padů použité pro italský výzkum. Vpravo, „stínový“ bankomat, který výzkumníci postavili v laboratorních podmínkách. Zdroj: https://arxiv.org/pdf/2110.08113.pdf

Systém, který se zaměřuje na pohyby rukou a jejich polohu během zadávání PIN, může目前 předpovědět 41% 4-místných PINů a 30% 5-místných PINů během tří pokusů (obecně maximální počet pokusů, které banka povolí, než zákazníkovi uzamkne účet). Testy zahrnovaly 58 dobrovolníků, kteří používali náhodně vygenerované PIN čísla.

Výzkum, jehož data jsou veřejně dostupná, zjistil, že navrhovaný systém nabízí čtyřnásobné zlepšení schopnosti člověka uhádnout PIN pomocí shoulder-surfingu.

Článek je nazvaný Hand Me Your PIN! Odhadnutí ATM PINů uživatelů, kteří zadávají PIN s chráněnou rukou a pochází od pěti výzkumníků z Univerzity v Padově a jednoho z Delftské technické univerzity.

Výzkumníci vyloučili záznamy, kde subjekty nedostatečně zakryly PIN pad (vlevo).

Výzkumníci tvrdí, že jejich systém dosahuje lepších výsledků než předchozí práce, které se zaměřují na časování, zvuky a tepelné signály, bez video analýzy.

Také poznamenávají, že zvýšená pozornost vůči „skimming“ zařízením se soustředí kolem slotu pro vkládání karet, protože toto je tradiční metoda útoku, a že zákazníci nemají žádný důvod se domnívat, že podobně skryté mikro-kamery by mohly „prohlédnout“ jejich zakrytou ruku, nebo že obecný hluk kláves a identické zvuky pro každý stisk kláves by mohly vyzradit jakoukoli informaci.

„Dodatečné“ vybavení bankomatu by tedy vypadalo na místě, kde nikdo neočekává, pod horním vnitřním povrchem bankomatu, jako formovaný obal skrývající kamerové vybavení – nebo dokonce zcela mimo povrch bankomatu, připevněné k nearby budově nebo sloupu.

PIN Money

Navzdory závažným důsledkům porušení, PIN čísla jsou mezi nejkratšími a nejsnadněji uhádnutelnými hesly, která používáme; odhaduje se, že útočník již má 1 ze 10 šancí uhádnout PIN správně. Sociální inženýrství není vždy nutné jako doplněk k lebih sofistikovaným AI-based útokům, protože 1234 se odhaduje, že představuje 11% všech PINů, zatímco 19 (jako první část narození) představuje první dvě čísla v více než 80% PIN čísel.

Nicméně, autoři nové studie si nedali tuto výhodu, ale spíše se snažili prozkoumat, zda má „chráněný“ PIN vstup rozpoznatelný vzor, který by mohl naznačit, která čísla jsou zadávána.

Pro stanovení základny, výzkumníci postavili falešný bankomat pro účely shromáždění dat (viz první obrázek výše). To představuje navrhovanou hypotetickou útočnou metodu, kde útočník pasivně analyzuje typické PIN vstupní charakteristiky po dlouhou dobu, aby se připravil na pozdější „swoop“ na účty.

Ačkoli tato „studovaná“ metoda je běžná v sofistikovaných ATM podvodech, s mnoha případy falešných bankomatů, které exfiltrují zákaznická data po dlouhou dobu, v tomto případě útočník může nastavit falešný bankomat ve svém vlastním prostoru a trénovat ho bez veřejného vstupu.

Jelikož obrazovka bankomatu není pravděpodobně skrytá během zadávání PIN, čas stisku klávesy lze stanovit synchronizací pohybů rukou s výskytem „maskovaných“ číslic (obvykle asterisků) na obrazovce bankomatu v reakci na uživatelský vstup, a také s obecnými zpětnými zvuky (jako bzučáky) souvisejícími se stisky. Tato synchronizace odhaluje přesné rozložení ruky v „chráněném“ scénáři v okamžiku zadání.

Targeting Specific Keypads

Nejprve je třeba vyvinout model pozorováním a zaznamenáním „chráněných“ PIN vstupů. Ideálně by klávesnice měla být specifickým průmyslovým standardním modelem, i když einige variace milimetrů nezastaví metodu. Čas stisku klávesy lze získat pomocí audio a vizuálních signálů (tj. zpětných signálů, klepání kláves, asterisků).

S těmito body útočník může automatizovat extrakci trénovací sady a poté trénovat model, který je schopen identifikovat reprezentativní konfigurace rukou pro stisknutí konkrétní klávesy. To vyprodukuje seznam pravděpodobností pro PIN karty, z nichž budou vybrány top tři pro útok, když systém identifikuje skutečná zákaznická data v reálném scénáři.

Methodology

Shromažďování dat bylo provedeno ve dvou seancích, pomocí praváků dobrovolníků pro studii. Každý účastník zadával 100 náhodně vygenerovaných 5-místných PIN čísel, aby zajistil rovnoměrné pokrytí všech deseti možných stisků klávesnice. Tímto způsobem výzkumníci shromáždili 5 800 jednotlivých PIN vstupů.

PIN pady použité v testech byly modely DAVO LIN Model D-8201F a DAVO LIN Model D-8203 B. Jsou to komerční modely používané v bankomatech a jsou dostupné zde a zde (mezi mnoha dalšími prodejci).

Shromážděné video segmenty byly převedeny do šedé stupnice a normalizovány a ořezány, předtím než byly změněny na 250×250 pixelů pro zařazení do trénovacích sezení strojového učení. Klipy byly segmentovány, aby se získaly sub-sekvence snímků souvisejících se stisky kláves. Audio signály (jako výše uvedeno) byly použity jako časové značky pro stisknutí kláves.

Training

Datové sady byly rozděleny do trénovacích, validačních a testovacích sad, s trénováním na procesoru Xeon(R) Intel CPU běží na E5-2670 2,60 GHz, a vybavené 128 GB RAM. Data byla implementována na Keras2.3.0-tf (TensorFlow 2.2.0) a Python 3.8.6 na třech Tesla K20m GPU s 5 GB VRAM každá.

Pro zohlednění variability ve snímacích prostředích (osvětlení, malé rozdíly v úhlech kamery atd.) byly generovány syntetické příklady a perturbace (jako rotace a posun pohledu), a autoři uvádějí, že tento typ augmentace dat je velkým pomocníkem při zlepšování efektivity modelu.

Results

Model byl testován na třech scénářích: „jednotlivý PIN pad“, kde útočník zná model pin padu, a trénuje specificky pro něj; „PIN pad nezávislý“, kde model je trénován na padu, který je podobný (ale ne identický) s cílovým PIN padem; a „smíšený scénář“, kde útočník má kopii obou PIN padů.

Obecné výsledky napříč třemi scénáři, kde Top-N označuje odhad čísla do N pokusů.

Je zaznamenána rozdílná přesnost pro odhad 5-místných a 4-místných PINů:

Countermeasures

Při zvažování protiopatření proti stávajícím systémům (tj. bez radikální přestavby celé PIN/ATM bezpečnostní infrastruktury), výzkumníci uvádějí, že neexistují žádné skutečně účinné obrany proti tomuto typu útoku.

Prodloužení minimálního počtu čísel v PIN by mohlo učinit čísla obtížněji zapamatovatelnými; náhodné změny pořadí čísel na klávesnici s dotykovým softwarem, i když se stále více děje v nasazení bankomatů, také produkuje problémy s uživatelskou přívětivostí; a ochranné kryty by nejen byly drahé na nasazení na stávajících bankomatech, ale také by pravděpodobně učinily metodu útoku ještě snadnější, v závislosti na tom, jak velkou krycí oblast by poskytly. Výzkumníci tvrdí, že jejich útok je proveditelný i v případě, kdy je 75% PIN padu zakryto (a zakrytí více by učinilo obtížným pro zákazníka zadat PIN).

Při vytváření lidské ekvivalentní automatické extrakci PIN, skutečné osoby byly, na rozdíl od toho, schopny dosáhnout pouze zlomek přesnosti systému AI při odhadu PINů, na základě stejné informace.

V budoucnu výzkumníci plánují prozkoumat výsledky z lidí, kteří nejsou praváci, a prozkoumat strategie zakrytí rukou, které by mohly zmírnit útok. Také plánují opakovat experimenty s větším rozmanitostí věků a ras, jelikož pozorují, že starší lidé dělají více významné a vypovídající pohyby rukou při zadávání PIN, a že útok „bude mít potíže s fungováním pro lidi z jiných ras“ (než bílé).