Metoda sztucznej inteligencji do ujawniania “zabezpieczonych” wpisów PIN na bankomatach

Naukowcy z Włoch i Holandii opracowali metodę sztucznej inteligencji, która pozwala na wnioskowanie o numerze PIN, który klient banku wprowadza do bankomatu, na podstawie nagranego wideo, nawet w przypadkach, gdy klient zasłania swoją rękę, aby zabezpieczyć się przed podsłuchiwaniem.

Metoda ta polega na szkoleniu sieci neuronowej i modułu LSTM na nagraniach “zabezpieczonych” wpisów PIN na bankomacie, który został wyposażony w ten sam klawiaturę, co bankomat docelowy – sprzęt, który można kupić, jak zrobili to naukowcy w ramach projektu, tworząc “lustrzany” bankomat w celu zebrania danych.

Faux bankomat może być szkolony w warunkach prywatnych, jak zrobili to naukowcy, eliminując ryzyko publicznych instalacji fałszywych bankomatów, co jest powszechną metodą ataku w tym rodzaju przestępstwa.

Po lewej, dwa modele klawiatury użyte w badaniach włoskich. Po prawej, “cienisty” bankomat, który naukowcy zbudowali w warunkach laboratoryjnych. Źródło: https://arxiv.org/pdf/2110.08113.pdf

System, który opiera się na ruchach i położeniu ręki podczas wprowadzania PIN, może obecnie przewidzieć 41% 4-cyfrowych PIN-ów i 30% 5-cyfrowych numerów PIN w ciągu trzech prób (co jest zwykle maksymalną liczbą prób, które bank pozwala przed zablokowaniem konta klienta). Testy obejmowały 58 ochotników, którzy używali losowych numerów PIN.

Badania, których dane są dostępne publicznie, pokazują, że proponowany system oferuje czterokrotną poprawę w porównaniu z ludzką możliwością odgadnięcia PIN-u przez podsłuchiwania ofiary.

Artykuł nosi tytuł Podaj mi swój PIN! Wnioskowanie o numerach PIN bankomatów użytkowników, którzy wprowadzają PIN z zabezpieczoną ręką i pochodzi od pięciu naukowców z Uniwersytetu w Padwie oraz jednego z Delft University of Technology.

Naukowcy wykluczyli nagrania, w których osoby nie zasłaniały odpowiednio klawiatury PIN (po lewej).

Naukowcy twierdzą, że ich system osiąga lepsze wyniki niż poprzednie badania, które opierają się na czasie, dźwięku i sygnaturach termicznych, bez komponentu analizy wideo.

Podkreślają również, że zwiększona świadomość urządzeń “skimming” koncentruje się wokół miejsca wprowadzania karty, ponieważ jest to tradycyjna metoda ataku, a klienci nie mają powodu, aby sądzić, że ukryte kamery mogą “prześwietlić” ich zabezpieczone ręce, lub że ogólny hałas klawiatury i identyczny dźwięk zwrotny dla każdego naciśnięcia klawisza mogą ujawnić jakąkolwiek informację.

“h3>PIN Money

Pomimo poważnych konsekwencji naruszenia, numery PIN są jednymi z najkrótszych i najłatwiejszych do odgadnięcia haseł, których używamy; szacuje się, że atakujący ma już 1 na 10 szans na odgadnięcie PIN-u. Inżynieria społeczna nie jest zawsze konieczna jako uzupełnienie bardziej zaawansowanych ataków opartych na sztucznej inteligencji, ponieważ 1234 szacuje się, że reprezentuje 11% wszystkich PIN-ów, podczas gdy 19 (jako pierwsza część roku urodzenia) reprezentuje pierwsze dwie cyfry w ponad 80% numerów PIN.

Niemniej jednak, autorzy nowego artykułu nie dali sobie tej przewagi, ale raczej postanowili zbadać, czy ruchy ręki podczas “zabezpieczonych” wpisów PIN mają odczytywalny wzorzec, który może wskazywać, które numery są wprowadzane.

Aby ustalić podstawę, naukowcy zbudowali fałszywy bankomat do celów gromadzenia danych (patrz pierwsze zdjęcie powyżej). Reprezentuje to proponowaną hipotetyczną metodę ataku, w której osoba atakująca biernie analizuje typowe cechy wprowadzania PIN-u przez długi czas, aby przygotować się do późniejszego “atakowania” kont.

Chociaż ten “przemyślany” podejście jest powszechne w zaawansowanych przestępstwach związanych z bankomatami, z wieloma przypadkami fałszywych bankomatów, które wykradają dane klientów przez długi czas, w tym przypadku atakujący może ustawić fałszywy bankomat we własnym zakresie i szkolić go bez udziału publicznego.

Ponieważ ekran bankomatu nie jest prawdopodobnie ukryty podczas wprowadzania PIN-u, czas naciśnięcia klawisza można ustalić, synchronizując ruchy ręki z pojawieniem się “zamaskowanych” cyfr (zwykle gwiazdek) na ekranie bankomatu w odpowiedzi na dane wejściowe użytkownika, a także z ogólnymi dźwiękami zwrotnymi (takimi jak sygnały dźwiękowe) które pokrywają się z ruchami. Ta synchronizacja ujawnia dokładne położenie ręki w “zabezpieczonym” scenariuszu w momencie wprowadzania.

Targeting Specific Keypads

Po pierwsze, należy opracować model poprzez obserwację i nagranie “zabezpieczonych” wpisów PIN. Idealnie, klawiatura powinna być określonym modelem branżowym, chociaż pewne różnice w milimetrach nie powstrzymają metody. Czas naciśnięcia klawisza można uzyskać za pomocą wskazówek audio i wizualnych (tj. sygnałów dźwiękowych, hałasu klawiatury i zwrotnych gwiazdek).

Z tymi punktami odniesienia, atakujący może zautomatyzować ekstrakcję zestawu szkoleniowego i przystąpić do szkolenia modelu, który może identyfikować reprezentatywne konfiguracje ręki dla naciśnięcia określonego klawisza. To spowoduje wygenerowanie listy rankingowej prawdopodobieństw dla PIN-u karty, z której zostaną wybrane trzy najlepsze dla ataku, gdy system zidentyfikuje dane klienta w rzeczywistym scenariuszu.

Methodology

Gromadzenie danych odbywało się podczas dwóch sesji, z udziałem praworęcznych ochotników. Każdy uczestnik wprowadzał 100 losowo wygenerowanych 5-cyfrowych numerów PIN, aby zapewnić równomierne pokrycie wszystkich możliwych naciśnięć klawiatury. W ten sposób naukowcy zebrali 5 800 indywidualnych wpisów PIN.

Klawiatury PIN użyte w testach to DAVO LIN Model D-8201F i DAVO LIN Model D-8203 B. Są to modele komercyjne używane w bankomatach i są dostępne tutaj i tutaj (wśród wielu innych dostawców).

Zebrane nagrania wideo zostały przekonwertowane na odcień szarości i znormalizowane, a następnie przycięte i zmienione rozmiar na 250×250 pikseli przed włączeniem do sesji szkoleniowych sieci neuronowej. Klipy zostały podzielone, aby uzyskać sekwencje ramek dotyczących naciśnięć klawiszy. Wskazówki audio (jak wymieniono powyżej) zostały użyte jako znaczniki czasowe dla zdarzeń naciśnięć.

Training

Zestawy danych zostały podzielone na zestawy szkoleniowe, walidacyjne i testowe, przy czym szkolenie odbywało się na procesorze Xeon(R) Intel CPU z zegarem 2,60 GHz i 128 GB pamięci RAM. Dane zostały zaimplementowane w Keras 2.3.0-tf (TensorFlow 2.2.0) i Python 3.8.6 na trzech kartach graficznych Tesla K20m z 5 GB pamięci VRAM każda.

Aby uwzględnić zmienność w środowiskach przechwytywania (oświetlenie, niewielkie różnice w kątach kamery itp.), wygenerowano przykłady syntetyczne i perturbacje (takie jak obrót i przesunięcie widoku), a autorzy donoszą, że tego rodzaju augmentacja danych jest wielką pomocą w poprawie skuteczności modelu.

Results

Model został przetestowany w trzech scenariuszach: “jedna klawiatura PIN”, gdzie atakujący zna model klawiatury i szkoli się specjalnie dla niego; “niezależna klawiatura PIN”, gdzie model jest szkolony na klawiaturze podobnej (ale nie identycznej) do docelowej klawiatury PIN; oraz “scenariusz mieszany”, gdzie atakujący ma kopię obu klawiatur PIN.

Ogólne wyniki w trzech scenariuszach, gdzie Top-N oznacza zgadywanie cyfry w ciągu N prób.

Wyniki pokazują zauważalną różnicę w dokładności wnioskowania o 5-cyfrowych i 4-cyfrowych numerów PIN:

Countermeasures

Rozważając środki zaradcze wobec istniejących systemów (tj. bez radykalnego przemyślenia całej infrastruktury bezpieczeństwa PIN/ATM), naukowcy uważają, że nie ma skutecznych obron przed tego rodzaju atakiem.

Wydłużenie minimalnej liczby cyfr w PIN-ie sprawi, że numery będą trudniejsze do zapamiętania; losowe zmiany kolejności cyfr na klawiaturze z oprogramowaniem dotykowym, choć coraz częściej spotykane w wdrożeniach bankomatów, również powodują problemy z użytecznością; a osłony ekranu nie tylko byłyby drogie w wdrożeniu na istniejących bankomatach, ale również mogłyby uczynić atak opisany w artykule jeszcze łatwiejszym do wykonania, w zależności od tego, jak wiele pokrycia mogłyby zapewnić. Naukowcy twierdzą, że ich atak jest wykonalny nawet wtedy, gdy 75% klawiatury PIN jest zasłonięte (i zasłanianie większej ilości uczyniłoby trudnym dla klienta wprowadzanie PIN-u).

W projektowaniu równoważnika ludzkiego do automatycznego wyodrębniania PIN-u, prawdziwi ludzie byli w stanie osiągnąć tylko ułamek dokładności systemu AI w zgadywaniu PIN-ów, na podstawie tych samych informacji.

W przyszłych rozwojach pracy, naukowcy zamierzają zbadać wyniki z osób nie praworęcznych, oraz zbadać strategie zasłaniania ręki, które mogą złagodzić atak. Zamierzają również powtórzyć eksperymenty z większą różnorodnością wieku i ras, ponieważ obserwują, że starsze osoby wykonują bardziej znaczące i wymowne ruchy ręki podczas wprowadzania PIN-u, a atak “będzie miał trudności z działaniem u osób innych ras” (niż rasa biała).