Un Metodo AI per Rivelare gli Inserimenti di PIN ‘Schermati’ agli ATM

I ricercatori in Italia e nei Paesi Bassi hanno sviluppato un metodo di apprendimento automatico in grado di dedurre il numero PIN che un cliente di una banca inserisce in un ATM, sulla base di video catturati – anche nei casi in cui il cliente copre la mano per proteggersi contro l’osservazione della spalla.

Il metodo comporta l’addestramento di una rete neurale convoluzionale (CNN) e di un modulo LSTM su video di inserimenti di PIN ‘con mano coperta’ su un ‘ATM ombra’ che è stato dotato dello stesso keypad dell’ATM di destinazione – attrezzatura che può essere acquistata, come hanno fatto i ricercatori per il progetto, ricreando un ‘ATM specchio’ per raccogliere i dati.

L’ATM falso può essere addestrato in privato, come hanno fatto i ricercatori, eliminando il rischio di installazioni pubbliche di ATM falsi, un modus operandi comune in questo tipo di crimine.

A sinistra, due modelli di tastiera utilizzati per la ricerca italiana. A destra, l’ATM ‘ombra’ costruito in condizioni di laboratorio. Fonte: https://arxiv.org/pdf/2110.08113.pdf

Il sistema, che si concentra sui movimenti e sulla posizione della mano durante l’inserimento del PIN, può attualmente prevedere il 41% dei PIN a 4 cifre e il 30% dei PIN a 5 cifre in tre tentativi (in genere il numero massimo di tentativi che una banca consente prima di bloccare l’account del cliente). I test hanno coinvolto 58 volontari che utilizzavano numeri PIN casuali.

La ricerca, i cui dati sono pubblicamente disponibili, trova che il sistema proposto offre un miglioramento di quattro volte rispetto alla capacità di un essere umano di indovinare un PIN attraverso l’osservazione della spalla di una vittima.

Il documento è intitolato Hand Me Your PIN! Dedurre i PIN degli utenti che digitano con una mano coperta, e proviene da cinque ricercatori dell’Università di Padova e da uno della Technische Universiteit Delft.

I ricercatori hanno escluso le riprese in cui i soggetti non coprivano adeguatamente il tastierino PIN (a sinistra).

I ricercatori sostengono che il loro sistema ottiene risultati superiori a lavori precedenti che si concentrano sui tempi, sui suoni e sulle firme termiche, senza un componente di analisi video.

Notano anche che l’aumento della consapevolezza dei dispositivi di ‘skimming’ si concentra sull’inserimento della carta, poiché questo è un metodo di attacco tradizionale, e che i clienti non hanno motivo di credere che microcamere nascoste possano ‘vedere attraverso’ le loro mani coperte, o che il rumore generico delle chiavi e il suono di feedback identico per ogni pressione del tasto possano divulgare alcuna informazione.

L’ ‘attrezzatura aggiuntiva’ dell’ATM sarebbe quindi posizionata in un luogo in cui nessuno si aspetta attualmente di trovarla, sotto la superficie interna del vano dell’ATM, come un involucro modellato che nasconde l’attrezzatura della telecamera – o anche interamente al di fuori della superficie dell’ATM, attaccata a un edificio o a un palo vicino.

PIN Money

Nonostante le gravi conseguenze di una violazione, i numeri PIN sono tra le password più brevi e più facili da indovinare che utilizziamo; è stato stimato che un attaccante abbia già una possibilità su 10 di indovinare un PIN correttamente. L’ingegneria sociale non è sempre necessaria come complemento di attacchi più sofisticati basati sull’AI, poiché 1234 è stato stimato per rappresentare l’11% di tutti i PIN, mentre 19 (come prima parte di un anno di nascita) rappresenta i primi due numeri nel più dell’80% dei numeri PIN.

Tuttavia, gli autori del nuovo documento non si sono dati questo vantaggio, ma hanno cercato di indagare se i movimenti della mano durante l’inserimento del PIN ‘schermato’ hanno un modello decifrabile che possa indicare quali numeri vengono premuti.

Per stabilire una base di confronto, i ricercatori hanno costruito un ATM falso per scopi di raccolta dati (vedi prima immagine sopra). Ciò rappresenta il metodo di attacco ipotetico proposto, in cui un malintenzionato analizzerà passivamente le caratteristiche di inserimento del PIN tipiche nel corso di un lungo periodo di tempo per prepararsi a un successivo ‘attacco’ ai conti.

Sebbene questo approccio ‘studiato’ sia comune nei crimini di frode ATM sofisticati, con molti casi di ATM falsi che esfiltrano i dati dei clienti nel corso di un lungo periodo, in questo caso l’attaccante può configurare l’ATM falso nel proprio spazio e addestrarlo senza input pubblico.

Poiché lo schermo dell’ATM non è probabilmente coperto durante l’inserimento del PIN, il momento di una pressione del tasto può essere stabilito sincronizzando i movimenti della mano con l’apparizione dei ‘digit masked’ (in genere asterischi) che appaiono sullo schermo dell’ATM in risposta all’input dell’utente, e anche ai rumori di feedback generici (come beep) che coincidono con i colpi. Questa sincronizzazione rivela la disposizione esatta della mano in uno scenario ‘schermato’ al momento dell’inserimento.

Targeting Specific Keypads

Innanzitutto, un modello deve essere sviluppato attraverso l’osservazione e la registrazione degli inserimenti di PIN ‘con mano coperta’. Idealmente, il tastierino dovrebbe essere un modello standard dell’industria, sebbene alcune variazioni di millimetri non fermeranno il metodo. I tempi di pressione dei tasti possono essere ottenuti attraverso segnali audio e visivi (ad esempio, beep di feedback, rumore dei tasti, asterischi di feedback).

Con questi punti di riferimento, l’attaccante può automatizzare l’estrazione di un set di addestramento e andare avanti per addestrare un modello in grado di identificare configurazioni di mano rappresentative per la pressione di un tasto specifico. Ciò produrrà un elenco classificato di probabilità per il PIN della carta, dal quale verranno selezionati i primi tre per l’attacco quando i dati del cliente vengono identificati dal sistema in uno scenario del mondo reale.

Methodology

La raccolta dei dati è stata condotta in due sessioni, utilizzando volontari destrimani per lo studio. Ogni partecipante ha digitato 100 numeri PIN casuali a 5 cifre, per garantire una copertura uniforme di tutte le 10 possibili pressioni dei tasti del tastierino. In questo modo, i ricercatori hanno raccolto 5.800 inserimenti di PIN individuali.

I tastierini utilizzati nei test erano i modelli DAVO LIN Model D-8201F e DAVO LIN Model D-8203 B. Sono modelli commerciali utilizzati negli ATM e sono disponibili, rispettivamente, qui e qui (tra molti altri venditori).

I segmenti video raccolti sono stati convertiti in scala di grigi e normalizzati e ritagliati, prima di essere ridimensionati a 250×250 pixel per l’inclusione nelle sessioni di addestramento dell’apprendimento automatico. I clip sono stati segmentati per ottenere sottosequenze di frame relative alle pressioni dei tasti. I segnali audio (come menzionato sopra) sono stati utilizzati come marcatori di timestamp per gli eventi di pressione.

Training

I set di dati sono stati divisi in set di addestramento, convalida e test, con l’addestramento che si è svolto su un processore Intel Xeon(R) E5-2670 da 2,60 GHz, dotato di 128 GB di RAM. I dati sono stati implementati su Keras2.3.0-tf (TensorFlow 2.2.0) e Python 3.8.6 su tre GPU Tesla K20m con 5 GB di VRAM ciascuna.

Per tenere conto della variabilità degli ambienti di cattura (illuminazione, leggere differenze negli angoli della telecamera, ecc.), sono stati generati esempi sintetici e perturbazioni (come rotazione e spostamento della vista), e gli autori riportano che questo tipo di aumento dei dati è un grande aiuto per migliorare l’efficacia del modello.

Results

Il modello è stato testato su tre scenari: ‘tastierino singolo’, in cui l’attaccante conosce il modello del tastierino e lo addestra specificamente per esso; ‘tastierino indipendente’, in cui il modello è addestrato su un tastierino simile (ma non identico) al tastierino di destinazione; e uno scenario ‘miscela’, in cui l’attaccante ha una copia di entrambi i tastierini.

Risultati generali nei tre scenari, dove Top-N significa un tentativo di indovinare la cifra entro N tentativi.

C’è una differenza di accuratezza notata per l’inferenza dei PIN a 5 cifre rispetto a quelli a 4 cifre:

Countermeasures

Nella considerazione delle contromisure per i sistemi esistenti (ad esempio, senza un ripensamento radicale dell’intera infrastruttura di sicurezza PIN/ATM), i ricercatori ritengono che non ci siano difese efficaci contro questo tipo di attacco.

Allungare il numero minimo di cifre richieste in un PIN renderà i numeri più difficili da ricordare; randomizzare l’ordine dei numeri del tastierino con una tastiera software touch-screen, sebbene ciò stia accadendo sempre più spesso nelle distribuzioni degli ATM, produce anche problemi di usabilità; e i protettori dello schermo non solo sarebbero costosi da distribuire sugli ATM esistenti, ma arguirebbero anche che il metodo di attacco del documento renderebbe l’attacco ancora più facile da implementare, a seconda di quanto coprirebbe. I ricercatori affermano che il loro attacco è fattibile anche quando il 75% del tastierino PIN è coperto (e coprire di più renderebbe difficile per il cliente digitare).

Nell’elaborazione di un equivalente umano dell’estrazione automatica del PIN, le persone reali sono state in grado di raggiungere solo una frazione dell’accuratezza del sistema AI nel tentativo di indovinare i PIN, sulla base delle stesse informazioni.

In futuro, gli sviluppi del lavoro, i ricercatori intendono esaminare i risultati delle persone non destrimani e indagare le strategie di copertura della mano che potrebbero mitigare l’attacco. Intendono anche ripetere gli esperimenti con una maggiore diversità di età e razze, poiché osservano che le persone più anziane fanno movimenti della mano più significativi e rivelatori quando inseriscono un PIN, e che l’attacco ‘avrà difficoltà a funzionare per le persone di altre razze’ (diverse da quella caucasica).