Une méthode d’IA pour révéler les entrées de code PIN « protégées » aux distributeurs automatiques de billets

Des chercheurs en Italie et aux Pays-Bas ont développé une méthode d’apprentissage automatique capable de déduire le code PIN que cliente d’une banque entre dans un distributeur automatique de billets, sur la base de vidéos capturées – même dans les cas où le client cache sa main pour se protéger contre les regards indiscrets.

La méthode consiste à entraîner un réseau de neurones convolutifs (CNN) et un module de mémoire à long terme (LSTM) sur des vidéos d’entrées de code PIN « couvertes » à un distributeur automatique de billets « fantôme » qui a été équipé du même clavier que le distributeur automatique de billets cible – un équipement qui peut être acheté, comme l’ont fait les chercheurs pour le projet, en recréant un distributeur automatique de billets « miroir » afin de collecter les données.

Le distributeur automatique de billets « fantôme » peut être entraîné en privé, comme l’ont fait les chercheurs, ce qui élimine le risque d’installations publiques de distributeurs automatiques de billets « fantômes », une méthode courante de ce type de crime.

À gauche, deux modèles de clavier utilisés pour la recherche italienne. À droite, le distributeur automatique de billets « fantôme » construit en laboratoire. Source: https://arxiv.org/pdf/2110.08113.pdf

Le système, qui repose sur les mouvements et la position de la main pendant la saisie du code PIN, peut actuellement prédire 41 % des codes PIN à 4 chiffres et 30 % des codes PIN à 5 chiffres en trois essais (généralement le nombre maximum d’essais qu’une banque autorise avant de verrouiller le compte du client). Les tests ont impliqué 58 volontaires utilisant des codes PIN aléatoires.

La recherche, dont les données sont publiquement disponibles, constate que le système proposé offre une amélioration quatre fois supérieure à la capacité d’un humain à deviner un code PIN en regardant par-dessus l’épaule d’une victime.

Le document est intitulé Hand Me Your PIN! Inférer les codes PIN des utilisateurs qui saisissent avec une main couverte, et provient de cinq chercheurs de l’Université de Padoue, et d’un chercheur de l’Université de technologie de Delft.

Les chercheurs ont exclu les captures où les sujets n’ont pas suffisamment couvert le clavier (à gauche).

Les chercheurs affirment que leur système obtient de meilleurs résultats que les travaux précédents qui reposent sur la temporisation, les sons et les signatures thermiques, sans analyse de vidéo.

Ils notent également que la sensibilisation à la « furtivité » des appareils se concentre autour de la fente d’insertion de la carte, car c’est une méthode d’attaque traditionnelle, et que les clients n’ont aucune raison de croire que des micro-caméras cachées pourraient « voir à travers » leurs mains couvertes, ou que le bruit générique des touches et le son de feedback identique pour chaque pression de touche pourraient divulguer des informations.

L’« équipement supplémentaire » du distributeur automatique de billets apparaîtrait donc à un endroit où personne ne l’attend, sous la surface intérieure supérieure du récessus du distributeur automatique de billets, comme un boîtier moulé cachant l’équipement de la caméra – ou même entièrement à l’extérieur de la surface du distributeur automatique de billets, fixé à un bâtiment ou un poteau voisin.

Argent PIN

Malgré les conséquences graves d’une faille de sécurité, les codes PIN sont parmi les mots de passe les plus courts et les plus faciles à deviner que nous utilisons; on estime qu’un attaquant a déjà une chance sur dix de deviner correctement un code PIN. L’ingénierie sociale n’est pas toujours un complément nécessaire à des attaques plus sophistiquées basées sur l’IA, puisque 1234 a été estimé à représenter 11 % de tous les codes PIN, tandis que 19 (comme la première partie d’une année de naissance) représente les deux premiers chiffres de plus de 80 % des codes PIN.

Cependant, les auteurs de la nouvelle étude n’ont pas pris cet avantage, mais ont plutôt cherché à déterminer si les mouvements de la main lors de la saisie d’un code PIN « protégé » ont un modèle déchiffrable qui peut indiquer quels chiffres sont pressés.

Pour établir une base de référence, les chercheurs ont construit un distributeur automatique de billets « fantôme » à des fins de collecte de données (voir la première image ci-dessus). Cela représente la méthode d’attaque hypothétique proposée, où un malfaiteur analysera passivement les caractéristiques typiques de saisie de code PIN pendant une longue période pour se préparer à une attaque ultérieure sur des comptes.

Bien que cette approche « étudiée » soit courante dans les crimes de fraude aux distributeurs automatiques de billets sophistiqués, avec de nombreux cas de distributeurs automatiques de billets « fantômes » exfiltrant des données de clients pendant une longue période, dans ce cas, l’attaquant peut configurer le distributeur automatique de billets « fantôme » dans son propre espace et l’entraîner sans input public.

Puisque l’écran du distributeur automatique de billets n’est pas susceptible d’être caché pendant la saisie du code PIN, la temporisation d’une pression de touche peut être établie en synchronisant les mouvements de la main avec l’apparition des chiffres « masqués » (généralement des astérisques) qui apparaissent à l’écran du distributeur automatique de billets en réponse à la saisie de l’utilisateur, et également aux bruits de feedback génériques (tels que des bips) qui coïncident avec les pressions de touche. Cette synchronisation révèle la disposition exacte de la main dans un scénario « protégé » au moment de la saisie.

Cibler des claviers spécifiques

Tout d’abord, un modèle doit être développé par observation et enregistrement de saisies de code PIN « couvertes ». Idéalement, le clavier devrait être un modèle standard de l’industrie, bien que certaines variations de millimètres n’empêchent pas la méthode de fonctionner. Les temporisations des pressions de touche peuvent être obtenues à partir de signaux audio et visuels (c’est-à-dire des bips de feedback, des bruits de clavier et des signaux de feedback d’astérisques).

Avec ces points de repère, l’attaquant peut automatiser l’extraction d’un ensemble de formation et aller de l’avant pour former un modèle capable d’identifier des configurations de main représentatives pour la pression d’une touche spécifique. Cela produira une liste classée de probabilités pour le code PIN de la carte, dont les trois premiers seront sélectionnés pour l’attaque lorsque des données de clients authentiques sont identifiées par le système dans un scénario réel.

Méthodologie

La collecte de données a été effectuée au cours de deux sessions, en utilisant des volontaires droitiers pour l’étude. Chaque participant a saisi 100 codes PIN aléatoires à 5 chiffres, pour assurer une couverture uniforme de toutes les presses de touche possibles du clavier. De cette façon, les chercheurs ont collecté 5 800 saisies de code PIN individuelles.

Les claviers utilisés pour les tests étaient les modèles DAVO LIN D-8201F et DAVO LIN D-8203 B. Ce sont des modèles commerciaux utilisés dans les distributeurs automatiques de billets, et sont disponibles, respectivement, ici et ici (parmi de nombreux autres fournisseurs).

Les segments de vidéo collectés ont été convertis en nuances de gris et normalisés, puis découpés et redimensionnés à 250×250 pixels pour être inclus dans les sessions de formation de l’apprentissage automatique. Les clips ont été segmentés pour obtenir des sous-séquences de trames relatives aux pressions de touche. Les signaux audio (comme mentionné ci-dessus) ont été utilisés comme marqueurs de timestamp pour les événements de pression.

Formation

Les ensembles de données ont été divisés en ensembles de formation, de validation et de test, avec la formation qui a eu lieu sur un processeur Intel Xeon(R) E5-2670 2,60 GHz, équipé de 128 Go de RAM. Les données ont été mises en œuvre sur Keras 2.3.0-tf (TensorFlow 2.2.0) et Python 3.8.6 sur trois GPU Tesla K20m avec 5 Go de VRAM chacun.

Pour tenir compte de la variabilité des environnements de capture (éclairage, légères différences d’angle de caméra, etc.), des exemples synthétiques et des perturbations (tels que la rotation et le décalage de vue) ont été générés, et les auteurs rapportent que ce type d’augmentation de données est un grand aide pour améliorer l’efficacité du modèle.

Résultats

Le modèle a été testé sur trois scénarios: « clavier unique », où l’attaquant connaît le modèle de clavier, et forme spécifiquement pour celui-ci; « clavier indépendant », où le modèle est formé sur un clavier similaire (mais non identique) au clavier cible; et un scénario « mixte », où l’attaquant a une copie des deux claviers.

Résultats généraux pour les trois scénarios, où Top-N signifie une devinette du chiffre dans N essais.

Il y a une différence notable dans la précision pour l’inférence des codes PIN à 5 chiffres par rapport aux codes PIN à 4 chiffres:

Contre-mesures

En considérant les contre-mesures pour les systèmes existants (c’est-à-dire sans repenser entièrement l’infrastructure de sécurité des codes PIN et des distributeurs automatiques de billets), les chercheurs estiment qu’il n’y a pas de défenses vraiment efficaces contre ce type d’attaque.

Augmenter le nombre minimum de chiffres requis dans un code PIN rendrait les chiffres plus difficiles à retenir; randomiser l’ordre des chiffres du clavier avec un clavier de touches tactiles, bien que de plus en plus fréquent dans les déploiements de distributeurs automatiques de billets, produit également des problèmes d’utilisabilité; et les protecteurs d’écran ne seraient pas seulement coûteux à déployer sur les distributeurs automatiques de billets existants, mais argueraient également que l’attaque de l’article est encore plus facile à mettre en œuvre, en fonction de la couverture qu’elle pourrait offrir. Les chercheurs affirment que leur attaque est réalisable même lorsque 75 % du clavier est couvert (et que la couverture de plus rendrait difficile pour le client de taper).

Lors de la conception d’un équivalent humain à l’extraction automatique de code PIN, les personnes réelles n’ont pu atteindre qu’une fraction de la précision du système d’IA dans la devinette des codes PIN, sur la base des mêmes informations.

À l’avenir, les chercheurs ont l’intention d’examiner les résultats provenant de personnes non droitiers, et d’étudier les stratégies de couverture de la main qui pourraient atténuer l’attaque. Ils ont également l’intention de répéter les expériences avec une plus grande diversité d’âges et de races, car ils observent que les personnes âgées font des mouvements de main plus importants et plus révélateurs lors de la saisie d’un code PIN, et que l’attaque « aura des difficultés à fonctionner pour les personnes d’autres races » (que les Caucasiens).