En AI-metode for å avsløre ‘skjulte’ PIN-inntastinger på minibanker

Forskere i Italia og Nederland har utviklet en maskinlæringsmetode som kan slutte seg til PIN-koden en bankkunde setter inn i en minibank, basert på fanget video – selv i tilfeller der kunden dekker hånden for å beskytte mot skulder-surfing.

Metoden innebærer å trene en Convolutional Neural Network (CNN) og en Long Short-Term Memory (LSTM)-modul på videoer av ‘dekket hånd’ PIN-inntastinger på en ‘skygge’ minibank som er utstyrt med samme tastatur som målminibanken – utstyr som kan kjøpes, som forskerne har gjort for prosjektet, og rekonstruere en ‘speil’ minibank for å samle inn data.

Den falske minibanken kan trenes i privat, som forskerne har gjort, og eliminerer risikoen for offentlige installasjoner av falske minibanker, en vanlig modus operandi i denne type kriminalitet.

Venstre, to tastaturmodeller brukt for den italienske forskningen. Avbildet høyre, den ‘skygge’ minibanken som forskerne konstruerte i laboratorieforhold. Kilde: https://arxiv.org/pdf/2110.08113.pdf

Systemet, som er basert på håndbevegelser og posisjon under PIN-inntasting, kan for øyeblikket forutsi 41% av 4-sifrede PIN-koder og 30% av 5-sifrede PIN-koder innen tre forsøk (vanligvis det maksimale antall forsøk en bank tillater før kundens konto låses). Testene omfattet 58 frivillige som brukte tilfeldige PIN-koder.

Forskningen, hvis data er offentlig tilgjengelig, viser at det foreslåtte systemet tilbyr en firefoldig forbedring av en persons evne til å gjette en PIN-kode ved skulder-surfing av et offer.

Artikkelen heter Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand, og kommer fra fem forskere ved Universitetet i Padova, og en fra Delft University of Technology.

Forskerne ekskluderte opptak der subjektene ikke dekket PIN-tastaturet tilstrekkelig (venstre).

Forskerne hevder at deres system oppnår bedre resultater enn tidligere arbeid som er basert på tid, lyd og termiske signaturer, uten en videoanalysekomponent.

De bemerker også at økt bevissthet om ‘skimming’-enheter sentrerer seg rundt kortinnsatsen, ettersom dette er en tradisjonell metode for angrep, og at kunder har ingen grunn til å tro at noen lignende skjulte mikro-kameraer kunne ‘se gjennom’ deres dekkede hender, eller at den generelle klirringen av tastatur og den identiske tilbakemeldingslyden for hver tastetrykk kunne avsløre noen informasjon.

Den ‘ekstra’ utstyret til minibanken ville derfor være plassert i et område hvor ingen forventer det, under den øvre innvendige overflaten av minibanken, som en formet innkapsling som skjuler kamerautstyret – eller helt utenfor minibankens overflate, festet til en nærliggende bygning eller stolpe.

PIN-penger

Til tross for de alvorlige konsekvensene av et brudd, er PIN-koder blant de korteste og lettest gjettable passordene vi bruker; det er estimert at en angriper allerede har en sjanse på 1 av 10 til å gjette en PIN-kode riktig. Sosial manipulering er ikke alltid en nødvendig tilleggsåtgjerd til mer avanserte AI-baserte angrep, siden 1234 er estimert å representere 11% av alle PIN-koder, mens 19 (som den første delen av et fødselsår) representerer de to første tallene i over 80% av PIN-kodene.

Likevel har forfatterne av den nye artikkelen ikke gitt seg selv denne fordelen, men har i stedet satt seg til å undersøke om håndbevegelsene ved ‘dekkede’ PIN-inntastinger har en dechifrerbar mønster som kan indikere hvilke tall som trykkes.

For å etablere en basis, konstruerte forskerne en falsk minibank for å samle inn data (se første bilde ovenfor). Dette representerer den foreslåtte hypotetiske angrepsmetoden, hvor en angriper vil passivt analysere typiske PIN-inntastingskarakteristika over en lang periode for å forberede seg på et senere ‘swoop’ på kontoer.

Til tross for at denne ‘studerte’ tilnærmingen er vanlig i sofistikert minibank-kriminalitet, med mange eksempler på falske minibanker som eksfiltrerer kundedata over en lang periode, kan angriperen i dette tilfelle sette opp den falske minibanken i eget rom, og trene den uten offentlig innsats.

Ettersom minibankens skjerm ikke er sannsynlig å være skjult under PIN-inntasting, kan tidspunktet for en tastetrykk etableres ved å synkronisere håndbevegelser med fremtoningen av ‘maskerte’ sifre (vanligvis stjerner) som vises på minibankens skjerm som svar på brukerinput, og også til generiske tilbakemeldingslyder (såsom bipper) som samtidig med tastetrykkene. Denne synkroniseringen avslører den eksakte håndposisjonen i et ‘dekket’ scenario ved tidspunktet for inntasting.

Målretting av bestemte tastaturer

Først må en modell utvikles gjennom observasjon og opptak av ‘dekkede’ PIN-inntastinger. Ideelt sett bør tastaturet være en spesifikk industristandardmodell, selv om noen variasjoner i millimeter ikke vil stoppe metoden. Tastetrykktider kan bli oppnådd gjennom audio- og visuelle signaler (dvs. tilbakemeldingsbipper, tastaturklirring og stjernesignaler).

Med disse pausepunktene kan angriperen automatisere ekstraksjonen av en treningssett og gå videre til å trene en modell som kan identifisere representative håndkonfigurasjoner for trykking av et bestemt tast. Dette vil produsere en rangerert liste over sannsynligheter for kortets PIN, hvorav de tre øverste vil bli valgt for angrepet når ekte kundedata blir identifisert av systemet i en virkelig scenario.

Metodologi

Datainnsamlingen ble gjennomført over to sesjoner, med høyrehendte frivillige for studien. Hver deltager skrev inn 100 tilfeldige 5-sifrede PIN-koder, for å sikre jevn dekning av alle ti mulige tastaturtrykk. På denne måten samlet forskerne inn 5 800 enkeltstående PIN-inntastinger.

PIN-tastaturer brukt i testene var DAVO LIN Model D-8201F og DAVO LIN Model D-8203 B-modellene. De er kommersielle modeller brukt i minibanker, og er tilgjengelige, henholdsvis, her og her (blant mange andre forhandlere).

De innhentede videosekvensene ble konvertert til gråskala og normalisert og klippet, før de ble større til 250×250 piksler for å bli inkludert i maskinlærings-treningsøktene. Klippene ble segmentert for å få undersekvenser av rammene som hører til tastetrykk. Audio-signaler (som nevnt ovenfor) ble brukt som tidsstempelmarkører for trykke-hendelser.

Trening

Datasettene ble delt inn i trenings-, validerings- og testsett, med treningsøktene som ble gjennomført på en Xeon(R) Intel CPU som kjører på E5-2670 2,60 GHz, og utstyrt med 128 GB RAM. Dataene ble implementert på Keras2.3.0-tf (TensorFlow 2.2.0) og Python 3.8.6 på tre Tesla K20m GPU-er med 5 GB VRAM hver.

For å gjøre opp for variasjoner i innhentingsmiljøer (belysning, små forskjeller i kamera-vinkler osv.), ble syntetiske eksempler og perturbasjoner (såsom rotasjon og visningsskift) generert, og forfatterne rapporterer at denne type data-forbedring er en stor hjelp til å forbedre modellens effektivitet.

Resultater

Modellen ble testet mot tre scenarier: ‘enkel PIN-tastatur’, hvor angriperen kjenner tastaturmodellen, og trener spesifikt for den; ‘PIN-tastatur-uavhengig’, hvor modellen er trent på en tastatur som ligner (men ikke er identisk med) måltastaturet; og en ‘blandet scenario’, hvor angriperen har en kopi av begge PIN-tastaturer.

Generelle resultater over de tre scenariene, hvor Top-N betyr en gjetning av sifferet innen N forsøk.

Det er en merket forskjell i nøyaktighet for inferens av 5-sifrede versus 4-sifrede PIN-koder:

Ytremottiltak

Ved å vurdere ytremottiltak mot eksisterende systemer (dvs. uten en radikal omtenkning av hele PIN/minibank-sikkerhetsinfrastrukturen), mener forskerne at det ikke finnes noen virkningsfulle forsvar mot denne type angrep.

Å forlenge det minste antall sifre i en PIN-kode vil gjøre tallene mer vanskelige å huske; å tilfeldig forandre rekkefølgen av tallene på tastaturet med en berøringsskjerm-tastatur, selv om det skjer i økende grad i minibank-utsteder, produserer også brukervennlighetsproblemer; og skjermbeskyttelse ville ikke bare være dyrt å utruste på eksisterende minibanker, men ville også gjøre artikkelenes angrepsmetode enda enklere å implementere, avhengig av hvor mye dekning det gir. Forskerne hevder at deres angrep er gjennomførbart selv om 75% av PIN-tastaturet er dekket (og å dekke mer ville gjøre det vanskelig for kunden å taste).

I å utvikle en menneskebasert ekvivalent til den automatiske PIN-ekstraksjonen, var virkelige mennesker, i motsetning til dette, bare i stand til å oppnå en brøkdel av AI-systemets nøyaktighet i å gjette PIN-koder, basert på samme informasjon.

I fremtidig utvikling av arbeidet, har forskerne til hensikt å undersøke resultater fra ikke-høyrehendte personer, og å undersøke hånd-dekningstrategier som kan motvirke angrepet. De har også til hensikt å gjenta eksperimentene med en større mangfoldighet av alder og raser, ettersom de observerer at eldre mennesker gjør mer betydelige og avslørende håndbevegelser når de setter inn en PIN-kode, og at angrepet ‘vil ha vanskeligheter med å fungere for personer fra andre raser’ (enn kaukasisk).