ATM에서 ‘보호된’ PIN 입력을 드러내는 AI 방법

이탈리아와 네덜란드의 연구자들은 은행 고객이 ATM에 PIN 번호를 입력할 때 캡처된 비디오를 기반으로 PIN 번호를 추론할 수 있는 기계 학습 방법을 개발했습니다. 이는 고객이 어깨를 돌아보는 것을 방지하기 위해 손으로 PIN 패드를 가린 경우에도 적용됩니다.

이 방법은 ‘보호된 손’ PIN 입력에 대한 비디오를 사용하여畳み込み 신경망(CNN)과 장단기 기억(LSTM) 모듈을 훈련하는 것을 포함합니다. ‘_shadow’ ATM은 대상 ATM과 동일한 키패드를 장착하고 있으며, 연구자들은 이 장비를 구입하여 ‘미러’ ATM을 재현하여 데이터를 수집했습니다.

가짜 ATM은 사적으로 훈련될 수 있으며, 이는 공공 장소에 가짜 ATM을 설치하는 것과 같은 위험을 피할 수 있습니다. 이는 이 유형의 범죄에서 일반적인 modus operandi입니다.

왼쪽에 이탈리아 연구에 사용된 두 개의 PIN 패드 모델이 표시되어 있습니다. 오른쪽에 있는 ‘shadow’ ATM은 연구실 환경에서 구축되었습니다. 출처: https://arxiv.org/pdf/2110.08113.pdf

시스템은 핸드 운동과 위치를 기반으로 PIN 입력을 예측할 수 있으며, 현재 4자리 PIN의 41%와 5자리 PIN의 30%를 3번의 시도 내에 예측할 수 있습니다. 테스트에는 58명의 자원봉사자가 무작위로 생성된 PIN 번호를 사용했습니다.

연구는 공개적으로 사용 가능한 데이터를 기반으로 하며, 제안된 시스템은 어깨를 돌아보는 것을 방지하기 위해 PIN을 추측하는 인간의 능력보다 4배 더 나은 성능을 제공합니다.

연구 논문은 공개적으로 사용 가능하며, Hand Me Your PIN! 사용자가 가려진 손으로 PIN을 입력할 때 ATM PIN 추론이라는 제목을 가지고 있습니다. 이 논문은 파도바 대학교의 5명의 연구자와 델프트 공과대학교의 1명의 연구자에 의해 작성되었습니다.

연구자들은 PIN 패드가 충분히 가려지지 않은 경우를 제외했습니다(왼쪽).

연구자들은 시스템이 이전 연구에서 사용된 타이밍, 사운드 및 열 서명과 같은 다른 방법보다 더 나은 성능을 제공한다고 주장합니다. 이러한 방법은 비디오 분석 구성 요소를 사용하지 않습니다.

또한 연구자들은 ‘스키밍’ 장치에 대한 인식이 카드 입력 슬롯 주변에 집중되어 있으며, 이는 전통적인 공격 방법입니다. 고객은 가려진 손이 비디오를 통해 보일 수 있다는 생각을 하지 않으며, 키 클래식과 키 입력 시 동일한 피드백 사운드가 정보를 제공할 수 있다는 생각을 하지 않습니다.

ATM의 ‘추가’ 장비는 현재 기대하지 않는 위치에 있을 수 있으며, 이는 ATM의 상단 내부 표면에 있는 몰딩으로 된 인클로저에 카메라 장비를 숨길 수 있습니다. 또는 ATM 표면 외부에 근처 건물이나 기둥에 부착할 수 있습니다.

PIN 돈

PIN 번호는 가장 짧고 가장 쉽게 추측할 수 있는 비밀번호 중 하나입니다. 공격자가 이미 PIN 번호를 추측할 수 있는 확률은 1/10이라고 추정됩니다. 사회 공학은 더 복잡한 AI 기반 공격의 필수적인 보조 수단은 아닙니다. 1234는 모든 PIN 번호의 11%를 차지하며, 19(출생 연도 첫 두 자리)는 80% 이상의 PIN 번호에서 첫 두 자리를 차지합니다.

연구자들은 이러한 이점을 취하지 않았으며, 가려진 PIN 입력의 손 움직임에 해독 가능한 패턴이 있는지 조사했습니다.

기반선을 설정하기 위해 연구자들은 데이터 수집을 위해 가짜 ATM을 구축했습니다(위의 첫 번째 이미지 참조). 이는 제안된 가상 공격 방법을 나타내며, 공격자는 일반적인 PIN 입력 특성을 장기간 분석하여 후에 계정을 공격하기 위한 준비를 합니다.

이러한 접근 방식은 고급 ATM 사기 범죄에서 일반적이며, 많은 가짜 ATM이 고객 데이터를 장기간 외부로 전송하는 경우가 많습니다. 그러나 이 경우 공격자는 가짜 ATM을 자신의 공간에 설정하고 공공 입력 없이 훈련할 수 있습니다.

ATM 화면은 PIN 입력 중에 숨겨지지 않을 가능성이 있으므로 키 입력의 타이밍을 핸드 움직임과 ‘가려진’ 숫자(일반적으로 별표)의 표시를同步화하여 설정할 수 있습니다. 또한 키 입력 시 발생하는 피드백 소리가 있습니다. 이同步화는 핸드의 정확한 위치를 ‘가려진’ 시나리오에서 입력 시점에 나타냅니다.

특정 키패드 대상

첫째, 가려진 PIN 입력에 대한 모델을 관찰하고 기록하여 개발해야 합니다. 이상적으로 키패드는 특정 산업 표준 모델이어야 하지만, 몇 밀리미터의 차이는 방법의 작동을 방해하지 않습니다. 키 입력 타이밍은 오디오 및 시각적 단서(예: 피드백 비프음, 키 클래식 및 별표 피드백)를 통해 얻을 수 있습니다.

이러한 중단점을 사용하여 공격자는 훈련 세트의 추출을 자동화하고 특정 키를 누를 때 대표적인 핸드 구성에 대한 모델을 식별할 수 있는 모델을 훈련할 수 있습니다. 이는 카드의 PIN에 대한 확률의 순위 목록을 생성하며, 실제 시나리오에서 시스템이 실제 고객 데이터를 식별할 때 상위 3개를 공격에 선택합니다.

방법론

데이터 수집은 두 번의 세션으로 진행되었으며, 연구에는 오른손을 사용하는 자원봉사자가 참여했습니다. 각 참가자는 100개의 무작위로 생성된 5자리 PIN 번호를 입력하여 모든 10개의 키패드 입력에 대한 동일한 커버리지를 보장했습니다. 이를 통해 연구자들은 5,800개의 개별 PIN 입력을 수집했습니다.

테스트에 사용된 PIN 패드는 DAVO LIN Model D-8201F와 DAVO LIN Model D-8203 B 모델입니다. 이들은 ATM에서 사용되는 상업용 모델이며, 각각 여기와 여기에서 구입할 수 있습니다(다른 판매자에서도 구입할 수 있음).

수집된 비디오 세그먼트는 회색조로 변환되고 정규화 및 자르기 후 250×250 픽셀로 리사이즈되어 기계 학습 훈련 세션에 포함되었습니다. 클립은 키 입력에 대한 하위 시퀀스를 얻기 위해 분할되었습니다. 오디오 단서(위에서 언급한 것과 같은)는 키 입력 이벤트에 대한 타임스탬프 마커로 사용되었습니다.

훈련

데이터세트는 훈련, 검증 및 테스트 세트로 분할되었습니다. 훈련은 Xeon(R) Intel CPU에서 수행되었으며, 2.60GHz의 속도와 128GB의 RAM을 갖추고 있었습니다. 데이터는 Keras2.3.0-tf(TensorFlow 2.2.0)와 Python 3.8.6에서 3개의 Tesla K20m GPU로 구현되었습니다. 각 GPU에는 5GB의 VRAM이 있습니다.

캡처 환경의 변동성(조명, 약간의 카메라 각도 차이 등)을 고려하기 위해 합성 예제와 왜곡(회전 및 뷰 이동 등)이 생성되었으며, 저자는 이러한 데이터 증강이 모델의 효과성을 향상시키는 데 큰 도움이 된다고 보고합니다.

결과

모델은 세 가지 시나리오에서 테스트되었습니다. ‘단일 PIN 패드’는 공격자가 PIN 패드 모델을 알고 있으며, 특정 모델을 위한 훈련을 받았습니다. ‘PIN 패드 독립’은 모델이 대상 PIN 패드와 유사하지만 동일하지 않은 패드에서 훈련되었습니다. ‘혼합 시나리오’는 공격자가 두 개의 PIN 패드의 사본을 갖고 있습니다.

세 가지 시나리오에서 일반적인 결과, 여기서 Top-N은 N번의 시도 내에서 숫자를 추측한다는 것을 의미합니다.

5자리와 4자리 PIN에 대한 추론 정확도에 차이가 있습니다.

대책

기존 시스템에 대한 대책을 고려할 때(즉, 전체 PIN/ATM 보안 인프라를根本적으로 재고하는 것이 아니라), 연구자들은 이러한 유형의 공격에 대해 실제로 작동하는 방어가 없다고 주장합니다.

PIN 번호의 최소 길이를 늘리면 번호를 기억하기가 더 어려워질 것입니다. 터치스크린 소프트웨어 키보드로 키패드의 숫자를 무작위로 변경하면 사용성 문제가 발생할 수 있습니다. 화면 보호기는 기존 ATM에 배포하는 데 비용이 많이 들 뿐만 아니라, 공격 방법을 더 쉽게 구현할 수 있습니다. 연구자들은 공격이 75%의 PIN 패드가 가려져 있는 경우에도 작동할 수 있다고 주장합니다(더 많은 것을 가리면 고객이 입력하기가 더 어려워집니다).

실제 사람들은 동일한 정보를 기반으로 PIN 번호를 추측할 때 AI 시스템의 정확도에 비해 훨씬 낮은 정확도를 달성했습니다.

미래의 연구에서 연구자들은 오른손이 아닌 사람들의 결과를 조사하고, 공격을 완화할 수 있는 손가림 전략을 조사할 계획입니다. 또한 연구자들은 나이와 인종의 다양성을 더 많이 조사할 계획입니다. 연구자들은 나이가 많은 사람이 PIN 번호를 입력할 때 더 많은 손 움직임을 보인다는 것을 관찰했으며, 공격은 다른 인종(카우카시안 제외)의 사람들에게 더 어려울 것이라고 주장합니다.