Een AI-methode om ‘beschermde’ PIN-invoer bij geldautomaten te onthullen

Onderzoekers in Italië en Nederland hebben een machine learning-methode ontwikkeld die in staat is om de PIN-code te raden die een bankklant intoetst bij een geldautomaat, op basis van een opgenomen video – zelfs in gevallen waarin de klant zijn hand bedekt om zich te beschermen tegen schouder-surfen.

De methode bestaat uit het trainen van een Convolutional Neural Network (CNN) en een Long Short-Term Memory (LSTM)-module op video’s van ‘bedekte hand’ PIN-invoer bij een ‘schaduw’ geldautomaat die is uitgerust met hetzelfde toetsenbord als de doel-geldautomaat – apparatuur die kan worden gekocht, zoals de onderzoekers hebben gedaan voor het project, waarmee ze een ‘spiegel’ geldautomaat hebben gemaakt om gegevens te verzamelen.

De nep-geldautomaat kan in privé worden getraind, zoals de onderzoekers hebben gedaan, waardoor het risico van openbare installaties van nep-geldautomaten wordt uitgesloten, een veel voorkomende modus operandi in dit type misdaad.

Links, twee pinpad-modellen gebruikt voor het Italiaanse onderzoek. Rechts, de ‘schaduw’ geldautomaat die de onderzoekers in laboratoriumomstandigheden hebben gebouwd. Bron: https://arxiv.org/pdf/2110.08113.pdf

Het systeem, dat is afgestemd op handbewegingen en -posities tijdens PIN-invoer, kan momenteel 41% van 4-cijferige PIN-codes en 30% van 5-cijferige PIN-codes raden binnen drie pogingen (over het algemeen het maximum aantal pogingen dat een bank toestaat voordat de rekening van de klant wordt geblokkeerd). De tests werden uitgevoerd met 58 vrijwilligers die willekeurige PIN-codes intoetsten.

Het onderzoek, waarvan de gegevens openbaar beschikbaar zijn, toont aan dat het voorgestelde systeem een viermaal betere prestatie levert dan de mogelijkheid van een mens om een PIN te raden door schouder-surfen bij een slachtoffer.

Het artikel heeft als titel Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand en komt van vijf onderzoekers van de Universiteit van Padua en één van de Technische Universiteit Delft.

De onderzoekers hebben opnames uitgesloten waarbij de onderwerpen het PIN-pad niet adequaat bedekten (links).

De onderzoekers beweren dat hun systeem betere resultaten behaalt dan eerder onderzoek dat is afgestemd op timing, geluid en thermische signalen, zonder een video-analysecomponent.

Zij merken ook op dat de bewustwording van ‘skimming’-apparaten zich vooral richt op de kaartinvoersleuf, aangezien dit een traditionele methode van aanval is, en dat klanten geen reden hebben om aan te nemen dat soortgelijke verborgen micro-camera’s ‘door’ hun bedekte handen heen kunnen kijken, of dat het algemene geluid van toetsen en het identieke feedbackgeluid voor elke toetsaanslag enige informatie kan onthullen.

De ‘extra’ apparatuur van de geldautomaat zou dus op een plek verschijnen waar niemand het op het moment verwacht, onder het bovenste oppervlak van de geldautomaat, als een gemodelleerde behuizing die de camera-apparatuur verbergt – of zelfs geheel buiten het oppervlak van de geldautomaat, bevestigd aan een nabijgelegen gebouw of paal.

PIN-geld

Ondanks de ernstige gevolgen van een inbraak, zijn PIN-codes een van de kortste en gemakkelijkst te raden wachtwoorden die we gebruiken; het is geschat dat een aanvaller al een kans van 1 op 10 heeft om een PIN correct te raden. Sociale engineering is niet altijd noodzakelijk als aanvulling op meer geavanceerde AI-gebaseerde aanvallen, aangezien 1234 naar schatting 11% van alle PIN-codes vertegenwoordigt, terwijl 19 (als eerste deel van een geboortejaar) de eerste twee cijfers vertegenwoordigt in meer dan 80% van de PIN-codes.

Nonetheless, de auteurs van het nieuwe artikel hebben zichzelf deze voorsprong niet gegeven, maar hebben zich in plaats daarvan gericht op het onderzoeken of de handbewegingen van ‘beschermde’ PIN-invoer een ontcijferbare patroon hebben dat kan aangeven welke cijfers worden ingetoetst.

Om een basislijn te creëren, hebben de onderzoekers een nep-geldautomaat gebouwd voor het verzamelen van gegevens (zie eerste afbeelding hierboven). Dit vertegenwoordigt de voorgestelde hypothetische aanvals methode, waarbij een aanvaller passief de typische PIN-invoerkenmerken analyseert over een lange periode om zich voor te bereiden op een later ‘swoop’ op rekeningen.

Hoewel deze ‘bestudeerde’ aanpak gemeen is in geavanceerde ATM-fraudecriminaliteit, met veel gevallen van valse geldautomaten die klantgegevens over een lange periode uitwissen, kan de aanvaller in dit geval de nep-geldautomaat in zijn eigen ruimte installeren en trainen zonder openbare invoer.

Aangezien het scherm van de geldautomaat waarschijnlijk niet wordt verborgen tijdens PIN-invoer, kan de timing van een toetsaanslag worden vastgesteld door handbewegingen te synchroniseren met het verschijnen van de ‘gemaskeerde’ cijfers (meestal asterisken) die op het scherm van de geldautomaat verschijnen als reactie op gebruikersinvoer, en ook op generieke feedbackgeluiden (zoals piepjes) die samenvallen met de toetsaanslagen. Deze synchronisatie onthult de exacte handpositie in een ‘beschermde’ scenario op het moment van invoer.

Specifieke toetsenborden

Eerst moet een model worden ontwikkeld door observatie en opname van beschermde PIN-invoer. Ideaal gezien zou het toetsenbord een specifiek industrieel standaardmodel moeten zijn, hoewel enige variatie in millimeters het proces niet zal stoppen. Toetsaanslagtimingen kunnen worden verkregen door audio- en visuele signalen (d.w.z. feedbackpiepjes, toetsengeluid en asterisk-feedback).

Met deze breakpoints kan de aanvaller de extractie van een trainingsset automatiseren en vervolgens een model trainen dat in staat is om representatieve handconfiguraties voor het indrukken van een specifieke toets te identificeren. Dit zal een gerangschikte lijst van waarschijnlijkheden voor de PIN-code van de kaart opleveren, waaruit de top drie worden geselecteerd voor de aanval wanneer authentieke klantgegevens door het systeem in een reële scenario worden geïdentificeerd.

Methodologie

Gegevensverzameling vond plaats in twee sessies, met rechtshandige vrijwilligers voor de studie. Elke deelnemer toetste 100 willekeurig gegenereerde 5-cijferige PIN-codes in, om een gelijke dekking van alle tien mogelijke toetsenbordtoetsen te garanderen. Op deze manier verzamelden de onderzoekers 5.800 individuele PIN-invoeren.

De PIN-pads die in de tests werden gebruikt, waren de DAVO LIN Model D-8201F en de DAVO LIN Model D-8203 B-modellen. Ze zijn commerciële modellen die in geldautomaten worden gebruikt en zijn beschikbaar, respectievelijk, hier en hier (onder vele andere leveranciers).

De verzamelde videosegmenten werden omgezet in grijswaarden en genormaliseerd en bijgesneden, voordat ze werden omgezet naar 250×250 pixels voor opname in de machine learning-trainingsessies. Clips werden gesegmenteerd om sub-sequenties van frames te verkrijgen die betrekking hebben op toetsaanslagen. Audio-signalen (zoals hierboven vermeld) werden gebruikt als tijdstempels voor persoonlijke gebeurtenissen.

Training

De datasets werden gesplitst in trainings-, validatie- en testsets, met de training die plaatsvond op een Xeon(R) Intel CPU die draaide op E5-2670 2.60GHz, en uitgerust was met 128GB RAM. De gegevens werden geïmplementeerd op Keras2.3.0-tf (TensorFlow 2.2.0) en Python 3.8.6 op drie Tesla K20m GPU’s met 5gb VRAM elk.

Om rekening te houden met variatie in opname-omgevingen (verlichting, kleine verschillen in camera-hoeken, enz.), werden synthetische voorbeelden en perturbaties (zoals rotatie en weergaveverschuiving) gegenereerd, en de auteurs melden dat dit soort gegevensverrijking een grote hulp is bij het verbeteren van de effectiviteit van het model.

Resultaten

Het model werd getest tegen drie scenario’s: ‘enkelvoudig PIN-pad’, waar de aanvaller de model van het pinpad kent en specifiek daarvoor traint; ‘PIN-pad-onafhankelijk’, waar het model wordt getraind op een pad dat vergelijkbaar is (maar niet identiek) aan het doel-PIN-pad; en een ‘gemengd scenario’, waar de aanvaller een kopie heeft van zowel PIN-pads.

Algemene resultaten over de drie scenario’s, waar Top-N een schatting van het cijfer binnen N pogingen aangeeft.

Er is een opvallend verschil in nauwkeurigheid voor het afleiden van 5-cijferige versus 4-cijferige PIN-codes:

Tegenmaatregelen

Bij het overwegen van tegenmaatregelen voor bestaande systemen (d.w.z. zonder een radicale heroverweging van de hele PIN/geldautomaatbeveiligingsinfrastructuur), menen de onderzoekers dat er geen echt werkbare verdedigingen zijn tegen dit soort aanval.

Verlenging van het minimum aantal cijfers in een PIN zal de cijfers moeilijker te onthouden maken; randomisatie van de volgorde van de cijfers op het toetsenbord met een aanraakscherm-toetsenbord, hoewel dit steeds vaker gebeurt in geldautomaat-uitrol, produceert ook gebruiksvriendelijkheidsproblemen; en beeldschermbeveiligingen zouden niet alleen duur zijn om te implementeren op bestaande geldautomaten, maar zouden naar alle waarschijnlijkheid de aanvals methode van het artikel zelfs gemakkelijker maken, afhankelijk van hoeveel dekking het zou geven. De onderzoekers beweren dat hun aanval werkt, zelfs als 75% van het PIN-pad wordt bedekt (en het bedekken van meer zou het voor de klant moeilijk maken om in te voeren).

Bij het ontwikkelen van een menselijke equivalent van de geautomatiseerde PIN-extractie, konden echte mensen, in tegenstelling tot de AI-systeem, slechts een fractie van de nauwkeurigheid van het AI-systeem behalen bij het raden van PIN-codes, op basis van dezelfde informatie.

In de toekomstige ontwikkeling van het werk, zijn de onderzoekers van plan om resultaten van niet-rechtshandige mensen te onderzoeken en om handbedekkingsstrategieën te onderzoeken die de aanval kunnen mitigeren. Zij zijn ook van plan om de experimenten te herhalen met een grotere diversiteit aan leeftijden en rassen, aangezien zij opmerken dat oudere mensen meer significante en vertellende handbewegingen maken wanneer zij een PIN intoetsen, en dat de aanval ‘moeite zal hebben om te werken voor mensen van andere rassen’ (dan blank).