Метод ИИ для раскрытия «защищенных» вводов PIN в банкоматах

Исследователи в Италии и Нидерландах разработали метод машинного обучения, способный угадывать номер PIN, который клиент банка вводит в банкомат, на основе захваченного видео – даже в случаях, когда клиент закрывает руку, чтобы защититься от «плечевого серфинга».

Метод включает в себя обучение свёрточной нейронной сети (CNN) и модуля долгой краткосрочной памяти (LSTM) на видео «закрытых» вводов PIN в «тень» банкомата, оснащённого той же клавиатурой, что и целевой банкомат – оборудованием, которое можно приобрести, как это сделали исследователи для проекта, воссоздав «зеркальный» банкомат, чтобы собрать данные.

Фальшивый банкомат можно обучить в частном порядке, как это сделали исследователи, исключая риск публичных установок фальшивых банкоматов, распространённого метода этого типа преступлений.

Слева, две модели клавиатуры, использованные для итальянских исследований. Справа, «тень» банкомата, который исследователи построили в лабораторных условиях. Источник: https://arxiv.org/pdf/2110.08113.pdf

Система, которая фокусируется на движениях и положении руки во время ввода PIN, может в настоящее время предсказать 41% из 4-значных PIN и 30% из 5-значных PIN-кодов за три попытки (обычно максимальное количество попыток, которое банк позволяет перед блокировкой учётной записи клиента). Тесты включали 58 добровольцев, использующих случайные PIN-код.

Исследование, данные которого публично доступны, показывает, что предложенная система предлагает четырёхкратное улучшение способности человека угадать PIN, основанную на «плечевом серфинге» жертвы.

Статья, озаглавленная Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand, написана пятью исследователями из Университета Падуи и одним из Дельфтского технологического университета.

Исследователи исключили захваты, где субъекты не достаточно хорошо закрыли клавиатуру PIN (слева).

Исследователи утверждают, что их система достигает лучших результатов, чем предыдущие работы, которые фокусируются на тайминге, звуке и тепловых сигнатурах, без компонента видеоанализа.

Они также отмечают, что повышение осведомлённости о «скимминге» устройств вокруг слота ввода карты, поскольку это традиционный метод атаки, и что клиенты не имеют причин полагать, что любые подобные скрытые микрокамеры могут «просмотреть» их закрытые руки или что общий шум клавиш и идентичный звук обратной связи для каждого нажатия клавиши могут раскрыть какую-либо информацию.

Деньги PIN

Несмотря на тяжёлые последствия нарушения, PIN-код является одним из самых коротких и легко угадываемых паролей, которые мы используем; было оценено, что атакующий уже имеет 1 из 10 шансов угадать PIN правильно. Социальная инженерия не всегда является необходимым дополнением к более сложным атакам на основе ИИ, поскольку 1234 было оценено как представляющее 11% всех PIN, а 19 (как первая часть года рождения) представляет первые две цифры более чем в 80% PIN-кодов.

Тем не менее, авторы новой статьи не дали себе это преимущество, а rather попытались выяснить, имеет ли «закрытый» ввод PIN расшифровываемый шаблон, который может указывать, какие цифры вводятся.

Чтобы установить базовую линию, исследователи построили фальшивый банкомат для сбора данных (см. первое изображение выше). Это представляет собой предложенный гипотетический метод атаки, где злоумышленник будет пассивно анализировать типичные характеристики ввода PIN в течение длительного периода времени, чтобы подготовиться к последующему «удару» по учётным записям.

Хотя этот «изученный» подход распространён в сложных преступлениях, связанных с банкоматами, с множеством случаев фальшивых банкоматов, которые эксфильтруют данные клиентов в течение длительного периода, в этом случае атакующий может установить фальшивый банкомат в своём собственном пространстве и обучить его без публичного ввода.

Поскольку экран банкомата вряд ли будет скрыт во время ввода PIN, время нажатия клавиши можно установить, синхронизируя движения руки с появлением «закрытых» цифр (обычно астерисков) на экране банкомата в ответ на ввод пользователя, а также с общими звуками обратной связи (такими как звуки), которые совпадают с ударами. Эта синхронизация раскрывает точное положение руки в «закрытом» сценарии в момент ввода.

Целевая клавиатура

Сначала необходимо разработать модель путем наблюдения и записи «закрытых» вводов PIN. Идеально, клавиатура должна быть конкретной промышленной стандартной моделью, хотя некоторые вариации в миллиметрах не остановят метод. Время нажатия клавиш можно получить по аудио- и визуальным сигналам (т. е. звукам обратной связи, звуку клавиш и астерискам обратной связи).

С этими контрольными точками атакующий может автоматизировать извлечение обучающего набора и затем обучить модель, способную определять представительные конфигурации руки для нажатия конкретной клавиши. Это даст ранжированный список вероятностей для PIN-карты, из которого будут выбраны три лучших для атаки, когда система идентифицирует реальные данные клиента в реальном сценарии.

Методология

Сбор данных проводился в течение двух сессий, используя праворуких добровольцев для исследования. Каждый участник вводил 100 случайных 5-значных PIN-кодов, чтобы обеспечить равное покрытие всех десяти возможных нажатий клавиш. Таким образом, исследователи собрали 5800 отдельных вводов PIN.

Клавиатуры PIN, использованные в тестах, были моделями DAVO LIN Model D-8201F и DAVO LIN Model D-8203 B. Они являются коммерческими моделями, используемыми в банкоматах, и доступны здесь и здесь (среди многих других поставщиков).

Собранные видеосегменты были преобразованы в оттенки серого и нормализованы, затем обрезаны и изменены размер до 250×250 пикселей для включения в сессии обучения машинного обучения. Клипы были разделены, чтобы получить подпоследовательности кадров, относящихся к нажатию клавиш. Аудиосигналы (как упоминалось выше) использовались в качестве меток времени для событий нажатия.

Обучение

Наборы данных были разделены на обучающие, проверочные и тестовые наборы, с обучением на процессоре Xeon(R) Intel, работающем на частоте E5-2670 2,60 ГГц, и оснащённом 128 ГБ ОЗУ. Данные были реализованы на Keras2.3.0-tf (TensorFlow 2.2.0) и Python 3.8.6 на трёх графических процессорах Tesla K20m с 5 ГБ ОЗУ каждый.

Чтобы учесть вариативность условий захвата (освещение, небольшие различия в углах камеры и т. д.), были сгенерированы синтетические примеры и нарушения (такие как вращение и сдвиг вида), и авторы сообщают, что этот тип aumentации данных является большим помощником в улучшении эффективности модели.

Результаты

Модель была протестирована на трёх сценариях: «один PIN-пад», где атакующий знает модель PIN-пада и обучает его конкретно для него; «независимый от PIN-пада», где модель обучается на паде, похожем (но не идентичном) на целевой PIN-пад; и «смешанный сценарий», где атакующий имеет копию обоих PIN-падов.

Общие результаты по трем сценариям, где Top-N означает угадывание цифры в N попытках.

Есть заметная разница в точности для вывода 5-значных и 4-значных PIN-кодов:

Контрмеры

При рассмотрении контрмер против существующих систем (т. е. без радикального пересмотра всей инфраструктуры безопасности PIN/банкомата) исследователи считают, что нет действительно работающих защит против этого типа атаки.

Увеличение минимального количества цифр в PIN сделает числа более трудными для запоминания; рандомизация порядка цифр на клавиатуре с помощью сенсорной клавиатуры, хотя и происходит в всё большем числе банкоматов, также производит проблемы с удобством использования; и защитные экраны не только будут дорогими для развертывания на существующих банкоматах, но также, вероятно, сделают метод атаки, описанный в статье, ещё проще для реализации, в зависимости от того, сколько покрытия они могут дать. Исследователи утверждают, что их атака работает даже тогда, когда 75% клавиатуры PIN закрыто (и закрытие большей части сделает трудным для клиента вводить PIN).

При разработке человеческого эквивалента автоматизированного извлечения PIN реальные люди, напротив, смогли достичь только доли точности системы ИИ в угадывании PIN, основанной на той же информации.

В будущем развитии работы исследователи намерены изучить результаты от людей, не являющихся праворукими, и расследовать стратегии закрытия руки, которые могут смягчить атаку. Они также намерены повторить эксперименты с большим разнообразием возрастов и рас, поскольку они наблюдают, что старшие люди делают более значимые и показательные движения рукой при вводе PIN, и что атака «будет иметь трудности с работой для людей других рас» (чем кавказская).