Tekoälymenetelmä paljastaa ‘suojaamattomat’ PIN-koodit pankkiautomaateissa

Tutkijat Italiassa ja Alankomaissa ovat kehittäneet tekoälymenetelmän, joka pystyy arvioimaan pankkiautomaatin käyttäjän syöttämän PIN-koodin videomateriaalin perusteella, jopa silloin kun asiakas peittää kätensä suojaamaan PIN-koodia olkatuin vastaan.

Menetelmä perustuu konvoluutio-neuroverkon (CNN) ja pitkän lyhyen muistin (LSTM) moduulin kouluttamiseen videomateriaalilla, jossa on “peitetty käsi” -PIN-koodin syöttö “varjopankkiautomaatilla”, joka on varustettu samalla näppäimistöllä kuin kohdepankkiautomaatti – laitteilla, jotka voidaan hankkia, kuten tutkijat tekivät hankkimalla “peili”-pankkiautomaatin kerätäkseen dataa.

Valepankkiautomaatti voidaan kouluttaa yksityisesti, kuten tutkijat ovat tehneet, jolloin voidaan välttää julkisten pankkiautomaattien asentamisen riski, joka on yleinen rikostapa tämänkaltaisissa rikoksissa.

Vasemmalla, kaksi PIN-padmallia, jotka käytettiin Italian tutkimuksessa. Oikealla, “varjopankkiautomaatti”, jota tutkijat rakensivat laboratorio-olosuhteissa. Lähde: https://arxiv.org/pdf/2110.08113.pdf

Järjestelmä, joka perustuu käden liikkeisiin ja asentoon PIN-koodin syöttöhetkellä, pystyy johtamaan 41 %:ia 4-numeroinen PIN-koodin ja 30 %:ia 5-numeroinen PIN-koodin sisällä kolmea yritystä (yleensä enimmäismäärä, jonka jälkeen pankki lukitsee asiakkaan tilin). Tutkimuksessa osallistui 58 vapaaehtoista, jotka syöttivät satunnaisia PIN-koodin.

Tutkimus, jonka data on julkisesti saatavilla, osoittaa, että ehdotettu järjestelmä tarjoaa nelinkertaisen parannuksen ihmisen kykyyn arvata PIN-koodi olkatuin vastaan.

Tutkimusartikkeli on nimeltään Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand, ja se on tehty viidelle tutkijalle Padovan yliopistosta ja yhdelle tutkijalle Delftin teknillisen yliopiston.

Tutkijat poistivat kaikki kuvat, joissa koehenkilöt eivät peittäneet riittävästi PIN-padia (vasemmalla).

Tutkijat väittävät, että heidän järjestelmänsä saavuttaa paremmat tulokset kuin aiemmat tutkimukset, jotka perustuvat aikaa, ääniin ja lämpömerkintöihin ilman videon analyysiä.

He myös huomauttavat, että lisääntynyt tietoisuus “skimming”-laitteista keskittyy enemmän kortin syöttöaukkoon, koska tämä on perinteinen hyökkäysmenetelmä, ja että asiakkailla ei ole mitään syytä uskoa, että mikään samankaltainen piilokamera voisi “nähdä läpi” heidän peitetyn käden, tai että yleinen näppäimistön ääni ja samanlainen palauteääni jokaiselle näppäimelle voisi paljastaa mitään tietoa.

” Lisävaruste” pankkiautomaatissa näyttäisi olevan paikassa, jossa kukaan ei odota sitä, eli yläpinnan sisäpinnan alla, muovisen kuoren sisällä, joka piilottaa kameran, tai jopa kokonaan pankkiautomaatin pinnan ulkopuolella, kiinnitettynä lähellä olevaan rakennukseen tai pylvääseen.

PIN-rahasta

Vaikka PIN-koodin louhinta voi aiheuttaa vakavia seurauksia, PIN-koodit ovat yksi lyhin ja helpoimmin arvattavissa oleva salasana, jonka käytämme; on arvioitu, että hyökkääjällä on jo 1:10 mahdollisuus arvata PIN-koodi oikein. Sosiaalisen insinöörityön ei aina tarvitse olla tarpeen tällaisiin hyökkäyksiin, koska 1234 on arvioitu edustavan 11 %:ia kaikista PIN-koodeista, kun taas 19 (ensimmäisenä osana syntymävuotta) edustaa ensimmäiset kaksi numeroa yli 80 %:issa PIN-koodeista.

Tutkimuksen tekijät eivät kuitenkaan ole antaneet itselleen tätä etua, vaan ovat pyrkineet tutkimaan, onko “peitetyn” PIN-koodin syöttöliikkeessä selkeä kuva, joka voisi osoittaa, mitkä numerot syötetään.

Tutkijat rakensivat valepankkiautomaatin kerätäkseen dataa (ks. yllä oleva kuva). Tämä edustaa ehdotettua hypoteettista hyökkäysmenetelmää, jossa hyökkääjä passiivisesti analysoi tyypillisiä PIN-koodin syöttöominaisuuksia pitkän ajan kuluessa valmistautuakseen myöhempään “iskuun” tileille.

Vaikka tämä “tutkittu” lähestymistapa on yleinen monimutkaisissa pankkiautomaatti-petoksissa, joissa on useita tapauksia valesankkiautomaattien keräämästä asiakastiedosta pitkän ajan kuluessa, tässä tapauksessa hyökkääjä voi asentaa valepankkiautomaatin omiin tiloihin ja kouluttaa sen ilman julkista syöttöä.

Koska pankkiautomaatin näyttö ei ole todennäköisesti peitetty PIN-koodin syöttöhetkellä, näppäinten painamisen ajankohta voidaan määrittää synchronoimalla käden liikkeet “maskattujen” numeroiden (yleensä asteriskien) ilmestymiseen pankkiautomaatin näytöllä vastineeksi käyttäjän syötölle, ja myös yleisiin palauteääniin (kuten piippauksiin), jotka vastaavat syötön aikaa. Tämä synchronointi paljastaa käden tarkan asennon “peitetyn” skenaariossa syötöhetkellä.

Kohdistaminen tiettyihin näppäimistöihin

Ensinnäkin, malli on kehitettävä havainnoimalla ja tallentamalla “peitettyjä” PIN-koodin syöttöjä. Ihanteellisesti, näppäimistö olisi teollisuusstandardin mukainen malli, vaikka joitakin millimetrin muutoksia ei estä menetelmän toimintaa. Näppäinten painamisen ajankohta voidaan määrittää äänien ja visuaalisten vihjeiden avulla (esim. palauteäänet, näppäimistön äänet ja asteriskien palaute).

Näiden katkaisujen avulla hyökkääjä voi automatisoida koulutusjoukon poiston ja kouluttaa mallin, joka pystyy tunnistamaan edustavat käden asennot tietyn näppäimen painamiseen. Tämä tuottaa luettelon todennäköisyyksistä kortin PIN-koodille, josta valitaan kolme parasta arviota hyökkäyksen aikana, kun järjestelmä tunnistaa aitoa asiakastietoa todellisessa tilanteessa.

Menetelmä

Datankerääminen tehtiin kahdessa istunnossa, joissa osallistui oikeakätisiä vapaaehtoisia. Jokainen osallistuja syötti 100 satunnaista 5-numeroista PIN-koodia, jotta kaikki mahdolliset 10 näppäimen painallusta olisi kattavasti edustettuina. Tällä tavoin tutkijat keräsivät 5 800 yksittäistä PIN-koodin syöttöä.

PIN-padeja, joita käytettiin testeissä, olivat DAVO LIN Model D-8201F ja DAVO LIN Model D-8203 B -mallit. Ne ovat kaupallisia malleja, joita käytetään pankkiautomaateissa, ja ne ovat saatavilla täällä ja täällä (monilla muilla myyjillä).

Kerätty videomateriaali muunnettiin harmaasävyiseksi ja normalisoitiin, leikattiin ja muunnettiin 250×250 pikselin kokoisiksi koneoppimisen koulutussessioita varten. Videoklipit jaettiin osiin, jotta saatiin alijoukko kehysjärjestelmiä, jotka liittyvät näppäinten painamiseen. Äänivihjeet (kuten yllä mainittu) käytettiin aikaleimana painallustapahtumille.

Koulutus

Datat jaettiin koulutus-, validointi- ja testijoukkoihin, ja koulutus tehtiin Xeon(R) Intel CPU:lla, joka pyörii 2,60 GHz:n nopeudella ja oli varustettu 128 GB:n RAM-muistilla. Dataa toteutettiin Keras2.3.0-tf:llä (TensorFlow 2.2.0) ja Python 3.8.6:lla kolmella Tesla K20m -näytönohjaimella, joissa kussakin on 5 GB:n VRAM.

Jotta voidaan ottaa huomioon muutokset tallennusympäristössä (valaistus, pienet erot kamerakulmissa jne.), syntetisiä esimerkkejä ja häiriöitä (kuten kiertoa ja näkymän siirtymistä) generoitiin, ja tutkijat ilmoittavat, että tällainen datan lisäys on suuresti edistänyt mallin tehokkuutta.

Tulokset

Mallia testattiin kolmessa skenaariossa: “yksittäinen PIN-padi”, jossa hyökkääjä tietää PIN-padin mallin ja kouluttaa sen erityisesti; “PIN-padi-riippumaton”, jossa malli on koulutettu padilla, joka on samankaltainen (mutta ei identtinen) kohde-PIN-padiin; ja “sekoitusskenaario”, jossa hyökkääjällä on kopiota molemmista PIN-padeista.

Yleiset tulokset kaikissa kolmessa skenaariossa, joissa Top-N tarkoittaa arvausta numerosta N yrityksellä.

On huomattava ero 5-numeroisen ja 4-numeroisen PIN-koodin arvauksen tarkkuudessa:

Vastatoimet

Vastatoimena olemassa oleviin järjestelmiin (eli ilman koko pankkiautomaatti/PIN-turvan uudelleen suunnittelua), tutkijat katsovat, että ei ole olemassa toimivia puolustuskeinoja tällaista hyökkäystä vastaan.

PIN-koodin minimipituuden pidentäminen tekee koodin vaikeammin muistettavaksi; satunnaisen numeroiden järjestyksen muuttaminen kosketusnäytöllä, vaikka se on yhä enemmän käytössä pankkiautomaateissa, aiheuttaa käytön helppoutta koskevia ongelmia; ja näytön suojat eivät vain olisi kalliita asentaa olemassa oleviin pankkiautomaatteihin, vaan ne voisivat myös tehdä tutkimuksen mukaisen hyökkäyksen helpommaksi, riippuen siitä, kuinka paljon ne antavat suojaa. Tutkijat väittävät, että heidän hyökkäyksensä on toimiva, vaikka 75 % PIN-padia on peitetty (ja peittäminen vielä enemmän tekee asiakkaan vaikeaksi syöttää koodia).

Luomalla ihmisen vastine tekoälyjärjestelmälle, todelliset ihmiset pystyivät saavuttamaan vain murto-osan tekoälyjärjestelmän tarkkuutta arvioidessaan PIN-koodin saman tiedon perusteella.

Tulevaisuuden tutkimuksessa tutkijat aikovat tutkia tuloksia, jotka koskevat ei-oikeakätisiä henkilöitä, ja tutkia käden peittämistaktiikoita, jotka voivat ehkäistä hyökkäystä. He aikovat myös toistaa kokeet suuremmalla ikä- ja rotujen monimuotoisuudella, koska he huomaavat, että vanhemmat ihmiset tekevät merkittäviä ja paljastavia käden liikkeitä syötettäessä PIN-koodia, ja että hyökkäys “kohtaa vaikeuksia toimimisessa ihmisille, jotka eivät ole valkoihoisia” (kuin kohde-ihmiset).