O metodă AI pentru a dezvălui intrările de PIN “protejate” la bancomate

Cercetători din Italia și Țările de Jos au dezvoltat o metodă de învățare automată capabilă să inferă numărul de PIN pe care un client al unei bănci îl introduce într-un bancomat, pe baza unui videoclip capturat – chiar și în cazurile în care clientul își protejează mâna pentru a se apăra împotriva “surfării pe umăr”.

Metoda implică antrenarea unei rețele neuronale convoluționale (CNN) și a unui modul de memorie pe termen lung (LSTM) pe videoclipuri de intrări de PIN “cu mâna acoperită” la un bancomat “umbră” care a fost echipat cu același keypad ca și bancomatul țintă – echipament care poate fi cumpărat, așa cum au făcut cercetătorii pentru proiect, recreând un bancomat “oglindă” pentru a colecta datele.

Bancomatul fals poate fi antrenat în privat, așa cum au făcut cercetătorii, eliminând riscul de instalare publică a bancomatelor false, o metodă obișnuită de crimă în acest tip de atac.

Stânga, două modele de tastatură pentru PIN utilizate în cercetarea italiană. Dreapta, bancomatul “umbră” construit de cercetători în laborator. Sursă: https://arxiv.org/pdf/2110.08113.pdf

Sistemul, care se bazează pe mișcările și poziționarea mâinii în timpul introducerii PIN-ului, poate prezice în prezent 41% din numerele de PIN de 4 cifre și 30% din numerele de PIN de 5 cifre în trei încercări (în general, numărul maxim de încercări pe care o bancă le permite înainte de a bloca contul clientului). Testele au implicat 58 de voluntari care au utilizat numere de PIN aleatorii.

Cercetarea, ale cărei date sunt disponibile public, arată că sistemul propus oferă o îmbunătățire de patru ori a capacității umane de a ghici un PIN prin “surfarea pe umăr” a unei victime.

Articolul, intitulat Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand, provine de la cinci cercetători de la Universitatea din Padova și unul de la Universitatea Tehnică din Delft.

Cercetătorii au exclus capturile în care subiecții nu au acoperit corespunzător tastatura de PIN (stânga).

Cercetătorii susțin că sistemul lor obține rezultate superioare celor din lucrările anterioare care se bazează pe timp, sunet și semnături termice, fără o componentă de analiză a videoclipurilor.

Ei mai observă că oamenii sunt mai conștienți de “dispozitive de skimming” care se concentrează pe slotul de introducere a cardului, deoarece aceasta este o metodă tradițională de atac, și că clienții nu au niciun motiv să creadă că microcamerele ascunse ar putea “vedea prin” mâinile lor acoperite, sau că zgomotul generic al tastaturii și sunetul de feedback identic pentru fiecare apăsare a unei taste ar putea dezvălui informații.

Bani de la PIN

În ciuda consecințelor severe ale unei încălcări, numerele de PIN sunt printre cele mai scurte și mai ușor de ghicit parole pe care le utilizăm; s-a estimat că un atacator are deja o șansă de 1 la 10 de a ghici corect un PIN. Ingineria socială nu este întotdeauna necesară ca un adjunct la atacurile mai sofisticate bazate pe IA, deoarece 1234 a fost estimat să reprezinte 11% din toate numerele de PIN, în timp ce 19 (ca primă parte a unui an de naștere) reprezintă primele două cifre în peste 80% din numerele de PIN.

În orice caz, autorii noului articol nu și-au dat acest avantaj, ci au încercat să investigheze dacă mișcările mâinii în timpul introducerii unui PIN “protejat” au un model decifrabile care poate indica care numere sunt apăsate.

Pentru a stabili o bază de referință, cercetătorii au construit un bancomat fals pentru colectarea de date (vezi prima imagine de mai sus). Acesta reprezintă metoda de atac propusă, în care un atacator va analiza pasiv caracteristicile obișnuite de introducere a PIN-ului pe o perioadă lungă de timp pentru a se pregăti pentru un atac ulterioară asupra conturilor.

Deși această abordare “studiată” este comună în crimele de fraudă cu bancomate sofisticate, cu multe exemple de bancomate false care extrag datele clienților pe o perioadă lungă de timp, în acest caz atacatorul poate instala bancomatul fals în propriul spațiu și îl poate antrena fără input public.

Ţintirea unor tastaturi specifice

Mai întâi, trebuie dezvoltat un model prin observare și înregistrare a intrărilor de PIN “cu mâna acoperită”. Ideal, tastatura ar trebui să fie un model standard al industriei, deși o variație de milimetri nu va opri metoda. Timpii de apăsare a tastelor pot fi obținuți prin semnale audio și vizuale (de exemplu, semnale de feedback, zgomot de tastatură și asteriscuri de feedback).

Cu aceste puncte de referință, atacatorul poate automatiza extragerea unui set de antrenament și poate antrena un model capabil să identifice configurații reprezentative ale mâinii pentru apăsarea unei taste specifice. Acesta va produce o listă clasificată a probabilităților pentru PIN-ul cardului, din care se vor selecta primele trei pentru atac atunci când sistemul identifică datele autentice ale clientului într-un scenariu din lumea reală.

Metodologia

Colectarea datelor a fost efectuată în două sesiuni, utilizând voluntari dreptaci pentru studiu. Fiecare participant a introdus 100 de numere de PIN de 5 cifre generate aleator, pentru a asigura o acoperire uniformă a tuturor celor 10 posibile apăsări de taste. În acest fel, cercetătorii au colectat 5.800 de intrări de PIN individuale.

Tastaturile de PIN utilizate în testele au fost modelele DAVO LIN Model D-8201F și DAVO LIN Model D-8203 B. Acestea sunt modele comerciale utilizate în bancomate și sunt disponibile, respectiv, aici și aici (printre numeroși alți furnizori).

Segmentele de videoclip au fost convertite în tonuri de gri și normalizate și decupate, înainte de a fi redimensionate la 250×250 de pixeli pentru a fi incluse în sesiunile de antrenament cu IA. Clipurile au fost segmentate pentru a obține sub-secvențe de cadre care se referă la apăsarea tastelor. Semnalele audio (menționate mai sus) au fost utilizate ca marcatori de timp pentru evenimentele de apăsare a tastelor.

Antrenament

Datele au fost împărțite în seturi de antrenament, validare și testare, cu antrenamentul efectuat pe un procesor Intel Xeon(R) E5-2670 care rulează la 2,60 GHz și echipat cu 128 GB de RAM. Datele au fost implementate pe Keras 2.3.0-tf (TensorFlow 2.2.0) și Python 3.8.6 pe trei GPU-uri Tesla K20m cu 5 GB de VRAM fiecare.

Pentru a ține cont de variabilitatea mediilor de captură (iluminare, diferențe ușoare în unghiurile camerei etc.), au fost generate exemple sintetice și perturbări (cum ar fi rotirea și schimbarea perspectivei), iar autorii raportează că acest tip de augmentare a datelor este un mare ajutor în îmbunătățirea eficacității modelului.

Rezultate

Modelul a fost testat în trei scenarii: “o singură tastatură de PIN”, în care atacatorul cunoaște modelul de tastatură de PIN și se antrenează special pentru el; “independent de tastatura de PIN”, în care modelul este antrenat pe o tastatură care este similară (dar nu identică) cu tastatura de PIN țintă; și un “scenariu mixt”, în care atacatorul are o copie a ambelor tastaturi de PIN.

Rezultate generale în cele trei scenarii, în care Top-N semnifică o ghicire a cifrei în N încercări.

Există o diferență notabilă în ceea ce privește acuratețea pentru inferența numerelor de PIN de 5 cifre versus 4 cifre:

Contermăsuri

La considerarea contramăsurilor pentru sistemele existente (adică fără o reînnoire radicală a întregii infrastructuri de securitate PIN/ATM), cercetătorii consideră că nu există apărări eficiente împotriva acestui tip de atac.

Prelungirea numărului minim de cifre necesare pentru un PIN ar face numerele mai greu de reținut; randomizarea ordinii numerelor de pe tastatură cu o tastatură software pe ecran tactil, deși este din ce în ce mai frecventă în implementările de bancomate, produce și probleme de utilizare; și protecțiile pentru ecran nu ar fi doar scumpe pentru a fi implementate pe bancomatele existente, dar ar face, probabil, atacul descris în articol și mai ușor de implementat, în funcție de câtă acoperire ar oferi. Cercetătorii afirmă că atacul lor este fezabil chiar și atunci când 75% din tastatura de PIN este acoperită (și acoperirea unei părți mai mari ar face dificilă introducerea PIN-ului de către client).

La elaborarea unei echivalențe umane pentru extragerea automată a PIN-ului, oamenii reali au reușit să obțină doar o fracțiune din acuratețea sistemului IA în ghicirea numerelor de PIN, pe baza aceleiași informații.

În dezvoltarea viitoare a lucrării, cercetătorii intenționează să examineze rezultatele de la persoanele care nu sunt dreptace, și să investigheze strategiile de acoperire a mâinii care ar putea reduce eficacitatea atacului. Ei intenționează, de asemenea, să repete experimentele cu o diversitate mai mare de vârste și rase, deoarece observă că oamenii mai în vârstă fac mișcări mai semnificative și mai revelatoare cu mâinile atunci când introduc un PIN, și că atacul “va avea dificultăți în a funcționa pentru oameni de alte rase” (decât cea caucaziană).