Metode AI untuk Mengungkap Entri PIN ‘Terlindung’ di ATM

Peneliti di Italia dan Belanda telah mengembangkan metode pembelajaran mesin yang dapat menginferensi nomor PIN yang dimasukkan oleh nasabah bank ke dalam ATM, berdasarkan video yang ditangkap – bahkan dalam kasus di mana nasabah menutupi tangan mereka untuk melindungi dari shoulder-surfing.

Metode ini melibatkan pelatihan Convolutional Neural Network (CNN) dan modul Long Short-Term Memory (LSTM) pada video ‘tangan tertutup’ entri PIN di ‘bayangan’ ATM yang telah dipasang dengan keypad yang sama dengan target ATM – peralatan yang dapat dibeli, seperti yang dilakukan oleh peneliti untuk proyek ini, merekayasa ‘cermin’ ATM untuk mengumpulkan data.

ATM palsu dapat dilatih secara pribadi, seperti yang dilakukan oleh peneliti, menghilangkan risiko pemasangan ATM palsu di tempat umum, sebuah modus operandi yang umum dalam jenis kejahatan ini.

Kiri, dua model pin pad yang digunakan untuk penelitian Italia. Terlihat kanan, ‘bayangan’ ATM yang dibuat oleh peneliti di laboratorium. Sumber: https://arxiv.org/pdf/2110.08113.pdf

Sistem ini, yang mengandalkan gerakan tangan dan posisi selama entri PIN, dapat memprediksi 41% dari 4-digit PIN dan 30% dari 5-digit PIN dalam tiga upaya (umumnya jumlah maksimum upaya yang diizinkan oleh bank sebelum mengunci akun nasabah). Pengujian melibatkan 58 relawan yang menggunakan PIN acak.

Penelitian, yang datanya tersedia secara terbuka, menemukan bahwa sistem yang diusulkan menawarkan perbaikan empat kali lipat dari kemampuan manusia untuk menebak PIN dengan shoulder-surfing korban.

Makalah ini berjudul Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand, dan berasal dari lima peneliti di Universitas Padua, dan satu dari Universitas Teknologi Delft.

Peneliti mengecualikan tangkapan di mana subjek tidak menutupi PIN pad dengan cukup (kiri).

Peneliti berpendapat bahwa sistem mereka mencapai hasil yang lebih baik daripada penelitian sebelumnya yang mengandalkan waktu, suara, dan tanda tangan termal, tanpa komponen analisis video.

Mereka juga mencatat bahwa peningkatan kesadaran tentang perangkat ‘skimming’ yang berpusat di sekitar slot input kartu, karena ini adalah metode serangan tradisional, dan bahwa nasabah tidak memiliki alasan untuk percaya bahwa kamera mikro yang tersembunyi dapat ‘melihat’ melalui tangan yang tertutup, atau bahwa suara klakson dan umpan balik yang identik untuk setiap tekan tombol dapat mengungkapkan informasi apa pun.

‘Peralatan tambahan’ ATM akan tampaknya berada di tempat di mana tidak ada yang saat ini mengharapkannya, di bawah permukaan interior ATM, sebagai wadah yang dibentuk untuk menyembunyikan peralatan kamera – atau bahkan di luar permukaan ATM, terpasang pada bangunan atau tiang terdekat.

Uang PIN

Meskipun konsekuensi serius dari pelanggaran, nomor PIN adalah salah satu kata sandi terpendek dan paling mudah ditebak yang kita gunakan; diperkirakan bahwa penyerang sudah memiliki kesempatan 1 dari 10 untuk menebak PIN dengan benar. Teknik sosial tidak selalu diperlukan sebagai pelengkap serangan AI yang lebih canggih, karena 1234 diperkirakan mewakili 11% dari semua PIN, sedangkan 19 (sebagai bagian pertama dari tahun kelahiran) mewakili dua angka pertama di lebih dari 80% dari nomor PIN.

Penulis makalah baru ini tidak memberikan diri mereka keuntungan ini, tetapi lebih memilih untuk menyelidiki apakah gerakan tangan ‘terlindung’ memiliki pola yang dapat ditebak yang dapat menunjukkan angka mana yang sedang ditekan.

Untuk menetapkan baseline, peneliti membuat ATM palsu untuk keperluan pengumpulan data (lihat gambar pertama di atas). Ini mewakili metode serangan hipotetis yang diusulkan, di mana penyerang akan menganalisis karakteristik input PIN yang khas selama periode waktu yang lama untuk mempersiapkan serangan selanjutnya.

Walaupun pendekatan ‘terpelajar’ ini umum dalam kejahatan ATM yang canggih, dengan banyak contoh ATM palsu yang mengeluarkan data nasabah selama periode waktu yang lama, dalam hal ini penyerang dapat memasang ATM palsu di ruang mereka sendiri, dan melatihnya tanpa input umum.

Karena layar ATM tidak mungkin disembunyikan selama entri PIN, waktu tekan tombol dapat ditetapkan dengan menyelaraskan gerakan tangan ke penampilan ‘digit tertutup’ (biasanya asterisk) yang muncul di layar ATM sebagai respons terhadap input pengguna, dan juga ke suara umpan balik (seperti bip) yang bertepatan dengan gerakan. Sinkronisasi ini mengungkapkan disposisi tangan yang tepat dalam skenario ‘terlindung’ pada saat input.

Menargetkan Keypad Spesifik

Pertama, model harus dikembangkan melalui pengamatan dan perekaman entri PIN yang terlindung. Idealnya, keypad harus menjadi model standar industri tertentu, walaupun beberapa variasi milimeter tidak akan menghentikan metode ini. Waktu tekan tombol dapat diperoleh dari petunjuk audio dan visual (yaitu, bip umpan balik, klakson, dan asterisk umpan balik).

Dengan titik-titik ini, penyerang dapat mengotomatisasi ekstraksi set pelatihan dan melanjutkan untuk melatih model yang dapat mengidentifikasi konfigurasi tangan yang representatif untuk menekan tombol tertentu. Ini akan menghasilkan daftar peringkat probabilitas untuk PIN kartu, dari mana tiga teratas akan dipilih untuk serangan ketika data nasabah yang sebenarnya diidentifikasi oleh sistem dalam skenario dunia nyata.

Metodologi

Pengumpulan data dilakukan selama dua sesi, menggunakan relawan tangan kanan untuk penelitian ini. Setiap peserta mengetik 100 PIN acak 5-digit, untuk memastikan cakupan yang merata dari semua tekan tombol yang mungkin. Dengan cara ini, peneliti mengumpulkan 5.800 entri PIN individu.

PIN pad yang digunakan dalam pengujian adalah DAVO LIN Model D-8201F dan DAVO LIN Model D-8203 B. Mereka adalah model komersial yang digunakan di ATM, dan tersedia, masing-masing, di sini dan di sini (di antara banyak vendor lain).

Segmen video yang dikumpulkan diubah menjadi skala abu-abu dan dinormalkan dan dipotong, sebelum diubah ukurannya menjadi 250×250 piksel untuk dimasukkan dalam sesi pelatihan pembelajaran mesin. Klip dipotong untuk mendapatkan sub-sekuens frame yang berkaitan dengan tekan tombol. Petunjuk audio (seperti yang disebutkan di atas) digunakan sebagai penanda waktu untuk peristiwa tekan.

Pelatihan

Dataset dibagi menjadi set pelatihan, validasi, dan pengujian, dengan pelatihan yang dilakukan pada Xeon(R) Intel CPU yang berjalan pada E5-2670 2,60GHz, dan dilengkapi dengan 128GB RAM. Data diimplementasikan pada Keras2.3.0-tf (TensorFlow 2.2.0) dan Python 3.8.6 pada tiga Tesla K20m GPU dengan 5gb VRAM masing-masing.

Untuk memperhitungkan variabilitas dalam lingkungan penangkapan (pencahayaan, perbedaan sudut kamera yang ringan, dll.), contoh sintetis dan gangguan (seperti rotasi dan pergeseran tampilan) dibuat, dan penulis melaporkan bahwa jenis augmentasi data ini sangat membantu dalam meningkatkan efektivitas model.

Hasil

Model diuji melawan tiga skenario: ‘PIN pad tunggal’, di mana penyerang mengetahui model PIN pad, dan melatihnya secara khusus untuk itu; ‘PIN pad independen’, di mana model dilatih pada PIN pad yang serupa (tetapi tidak identik) dengan PIN pad target; dan ‘skenario campuran’, di mana penyerang memiliki salinan dari kedua PIN pad.

Hasil umum di seluruh tiga skenario, di mana Top-N menunjukkan tebakan digit dalam N upaya.

Terlihat perbedaan yang signifikan dalam akurasi untuk inferensi 5-digit versus 4-digit PIN:

Tindakan Pencegahan

Dalam mempertimbangkan tindakan pencegahan untuk sistem yang ada (yaitu, tanpa pemikiran radikal tentang infrastruktur keamanan PIN/ATM), peneliti berpendapat bahwa tidak ada pertahanan yang efektif melawan serangan jenis ini.

Meningkatkan jumlah digit minimal yang diperlukan dalam PIN akan membuat nomor lebih sulit diingat; mengacak urutan tombol keypad dengan keyboard software touch-screen, walaupun semakin umum terjadi dalam pengeroyokan ATM, juga menghasilkan masalah kegunaan; dan pelindung layar tidak hanya akan mahal untuk diterapkan pada ATM yang ada, tetapi juga akan membuat metode serangan makalah ini lebih mudah dilakukan, tergantung pada seberapa banyak cakupan yang diberikan. Peneliti berpendapat bahwa serangan mereka efektif bahkan ketika 75% dari PIN pad tertutup (dan menutupi lebih banyak akan membuatnya sulit bagi nasabah untuk mengetik).

Dalam merancang ekivalen manusia untuk ekstraksi PIN otomatis, orang-orang nyata hanya dapat mencapai sebagian kecil dari akurasi sistem AI dalam menebak PIN, berdasarkan informasi yang sama.

Di masa depan pengembangan karya ini, peneliti berencana untuk memeriksa hasil dari orang-orang yang tidak kidal, dan untuk menyelidiki strategi penutupan tangan yang mungkin dapat memitigasi serangan. Mereka juga berencana untuk mengulangi eksperimen dengan keragaman usia dan ras yang lebih besar, karena mereka mengamati bahwa orang-orang yang lebih tua membuat gerakan tangan yang lebih signifikan dan mengungkapkan ketika memasukkan PIN, dan bahwa serangan ‘akan mengalami kesulitan bekerja untuk orang-orang dari ras lain’ (daripada Kaukasus).