วิธีการ AI ในการเปิดเผยการป้อน PIN ที่ปิดบังที่ตู้เอทีเอ็ม

นักวิจัยในอิตาลีและเนเธอร์แลนด์ได้พัฒนาวิธีการเรียนรู้ของเครื่องจักรที่สามารถอนุมานหมายเลข PIN ที่ลูกค้าธนาคารป้อนเข้าไปที่ตู้เอทีเอ็ม โดยอาศัยวิดีโอที่บันทึกได้ แม้ว่าลูกค้าจะปิดบังมือเพื่อป้องกันการดูจากไหล่

วิธีการนี้เกี่ยวข้องกับการฝึกอบรม Convolutional Neural Network (CNN) และโมดูล Long Short-Term Memory (LSTM) โดยใช้วิดีโอของการป้อน PIN ที่ปิดบังที่ตู้เอทีเอ็ม “เงา” ที่ติดตั้งแป้นพิมพ์ที่เหมือนกับตู้เอทีเอ็มเป้าหมาย – อุปกรณ์ที่สามารถซื้อได้ เช่นเดียวกับที่นักวิจัยทำเพื่อโครงการนี้ โดยสร้างตู้เอทีเอ็ม “กระจก” เพื่อรวบรวมข้อมูล

ตู้เอทีเอ็มปลอมสามารถฝึกอบรมได้ในรูปแบบส่วนตัว เช่นเดียวกับที่นักวิจัยทำ ซึ่งหลีกเลี่ยงความเสี่ยงของการติดตั้งตู้เอทีเอ็มปลอมในสถานที่สาธารณะ ซึ่งเป็นวิธีการทั่วไปในประเภทอาชญากรรมนี้

Left, two pin pad models used for the Italian research. Pictured right, the ‘shadow’ ATM that the researchers constructed in laboratory conditions. Source: https://arxiv.org/pdf/2110.08113.pdf

ระบบนี้ซึ่งใช้การเคลื่อนไหวและตำแหน่งของมือระหว่างการป้อน PIN สามารถคาดเดาได้ 41% ของ PIN 4 หลักและ 30% ของ PIN 5 หลักภายใน 3 ครั้ง (โดยทั่วไปเป็นจำนวนครั้งสูงสุดที่ธนาคารจะอนุญาตก่อนที่จะล็อกบัญชีของลูกค้า) การทดสอบเกี่ยวข้องกับผู้เข้าร่วม 58 คนโดยใช้ PIN สุ่ม

การวิจัยซึ่งข้อมูลสามารถเข้าถึงได้แบบสาธารณะ ที่นี่ พบว่าระบบที่เสนอให้สามารถปรับปรุงความสามารถในการเดา PIN ของมนุษย์ได้ 4 เท่าโดยการดูจากไหล่เหยื่อ

บทความ นี้ มีชื่อเรื่องว่า Hand Me Your PIN! Inferring ATM PINs of Users Typing with a Covered Hand และมาจากนักวิจัย 5 คนจาก University of Padua และ 1 คนจาก Delft University of Technology

The researchers excluded captures where the subjects did not adequately cover the PIN pad (left).

นักวิจัยอ้างว่าระบบของพวกเขามีผลลัพธ์ที่ดีกว่า งานก่อนหน้านี้ ที่ใช้เวลา เสียง และสัญญาณความร้อน โดยไม่มีการวิเคราะห์วิดีโอ

พวกเขายังชี้ให้เห็นว่าความตระหนักเกี่ยวกับอุปกรณ์ ‘skimming’ มุ่งเน้นไปที่ช่องใส่บัตร เนื่องจากเป็นวิธีการโจมตีทั่วไป และลูกค้าไม่มีเหตุผลที่จะเชื่อว่าอุปกรณ์กล้องขนาดเล็กที่ซ่อนอยู่สามารถ ‘ดูผ่าน’ มือที่ปิดบังหรือไม่ หรือว่าเสียงดังของแป้นพิมพ์และเสียงฟีดแบ็กที่เหมือนกันสำหรับการกดแป้นแต่ละครั้งสามารถเปิดเผยข้อมูลใดๆ ได้

เงิน PIN

尽管มีผลกระทบร้ายแรงจากเหตุการณ์ความปลอดภัย PIN เป็นหนึ่งในรหัสผ่านที่สั้นที่สุดและง่ายที่สุดที่เราใช้ มีการประมาณการว่าผู้โจมตีมีโอกาส 1 ใน 10 ที่จะเดา PIN ได้ถูกต้อง การวิศวกรรมสังคมไม่จำเป็นต้องเป็นส่วนเสริมของการโจมตี AI ที่ซับซ้อนกว่า เนื่องจาก 1234 มีการประมาณการว่าเป็นตัวแทนของ 11% ของ PIN ทั้งหมด ในขณะที่ 19 (เป็นส่วนแรกของปีเกิด) เป็นตัวเลขสองตัวแรกในมากกว่า 80% ของ PIN

อย่างไรก็ตาม ผู้เขียนบทความใหม่นี้ไม่ได้ให้ข้อได้เปรียบแก่ตัวเอง แต่พยายามตรวจสอบว่าการเคลื่อนไหวของมือที่ปิดบังระหว่างการป้อน PIN มีรูปแบบที่สามารถระบุได้หรือไม่ว่าหมายเลขใดถูกกด

เพื่อตั้งฐานเปรียบเทียบ นักวิจัยสร้างตู้เอทีเอ็มปลอมเพื่อการรวบรวมข้อมูล (ดูภาพแรกด้านบน) ซึ่งเป็นตัวแทนของวิธีการโจมตีที่เสนอ โดยที่ผู้โจมตีจะวิเคราะห์ลักษณะการป้อน PIN ทั่วไปเป็นเวลานานเพื่อเตรียมการโจมตีในอนาคต

แม้ว่าวิธีการ “ศึกษา” นี้ เป็นทั่วไป ในอาชญากรรมการฉ้อโกงตู้เอทีเอ็มที่ซับซ้อน โดยมีหลายกรณีของตู้เอทีเอ็มปลอมที่ส่งออกข้อมูลลูกค้าเป็นเวลานาน ในกรณีนี้ ผู้โจมตีสามารถติดตั้งตู้เอทีเอ็มปลอมในพื้นที่ของตนเองและฝึกอบรมได้โดยไม่ต้องมีการป้อนข้อมูลจากสาธารณะ

การโจมตีแป้นพิมพ์เฉพาะ

อันดับแรก ต้องสร้างแบบจำลองโดยการสังเกตและบันทึกการป้อน PIN ที่ปิดบัง โดยที่แป้นพิมพ์ควรเป็นแบบจำลองมาตรฐานอุตสาหกรรม แม้ว่าจะมีการเปลี่ยนแปลงเล็กน้อยในมิลลิเมตรก็ตาม การกดแป้นพิมพ์สามารถรับได้จากสัญญาณเสียงและภาพ (เช่น เสียงบี๊บและเสียงดังของแป้นพิมพ์)

วิธีการ

การรวบรวมข้อมูลดำเนินการในช่วงสองช่วง โดยใช้ผู้เข้าร่วมที่ใช้มือขวาในการศึกษา แต่ละผู้เข้าร่วมป้อน PIN 5 หลัก 100 ตัวที่สุ่มเพื่อให้ครอบคลุมการกดแป้นพิมพ์ทั้ง 10 หลัก ด้วยวิธีนี้ นักวิจัยรวบรวมการป้อน PIN 5,800 ครั้ง

แป้นพิมพ์ที่ใช้ในการทดสอบคือ DAVO LIN Model D-8201F และ DAVO LIN Model D-8203 B ซึ่งเป็นรุ่นที่ใช้ในตู้เอทีเอ็มและสามารถซื้อได้ ที่นี่ และ ที่นี่ (และผู้ขายอื่นๆ)

การฝึกอบรม

ชุดข้อมูลถูกแบ่งออกเป็นชุดฝึกอบรม ชุดตรวจสอบ และชุดทดสอบ โดยการฝึกอบรมดำเนินการบน Xeon(R) Intel CPU ที่ทำงานที่ 2.60GHz และมี RAM 128GB ข้อมูลถูกนำไปใช้กับ Keras2.3.0-tf (TensorFlow 2.2.0) และ Python 3.8.6 บน Tesla K20m GPU 3 ตัวที่มี VRAM 5GB ต่อตัว

ผลลัพธ์

แบบจำลองถูกทดสอบกับสามสถานการณ์: ‘แป้นพิมพ์เดียว’ โดยที่ผู้โจมตีรู้จักแบบจำลองของแป้นพิมพ์และฝึกอบรมเฉพาะสำหรับมัน ‘อิสระจากแป้นพิมพ์’ โดยที่แบบจำลองถูกฝึกอบรมบนแป้นพิมพ์ที่คล้ายกัน (แต่ไม่เหมือนกัน) กับแป้นพิมพ์เป้าหมาย และ ‘สถานการณ์ผสม’ โดยที่ผู้โจมตีมีสำเนาของทั้งสองแป้นพิมพ์

มีความแตกต่างที่สังเกตได้ในความแม่นยำในการอนุมาน PIN 5 หลักและ 4 หลัก

มาตรการป้องกัน

เมื่อพิจารณามาตรการป้องกันสำหรับระบบที่มีอยู่ (โดยไม่ต้องเปลี่ยนแปลงโครงสร้างความปลอดภัยของ PIN และตู้เอทีเอ็มทั้งหมด) นักวิจัยพิจารณาว่าไม่มีการป้องกันที่มีประสิทธิภาพจริงๆ ที่สามารถต่อต้านการโจมตีนี้ได้

การเพิ่มจำนวนตัวเลขขั้นต่ำที่ต้องการใน PIN จะทำให้จำนวนที่ยากต่อการนึกถึงมากขึ้น การสุ่มลำดับของตัวเลขบนแป้นพิมพ์แบบสัมผัส โดยใช้แป้นพิมพ์แบบซอฟต์แวร์บนหน้าจอ ซึ่งเกิดขึ้นมากขึ้นในตู้เอทีเอ็ม จะทำให้เกิดปัญหาในการใช้งาน และการป้องกันหน้าจอจะไม่เพียงแต่มีราคาแพงในการติดตั้งบนเครื่องเอทีเอ็มที่มีอยู่เท่านั้น แต่ยังอาจทำให้วิธีการโจมตีของบทความนี้ง่ายขึ้นในการดำเนินการขึ้นอยู่กับว่ามันให้การปิดบังมากเพียงใด (และการปิดบังมากขึ้นจะทำให้ลูกค้าป้อน PIN ได้ยากขึ้น)

นักวิจัยตั้งใจที่จะตรวจสอบผลลัพธ์จากคนไม่ใช่มือขวา และจะตรวจสอบกลยุทธ์การปิดบังที่อาจช่วยลดการโจมตีได้ พวกเขายังตั้งใจที่จะทำการทดลองซ้ำด้วยความหลากหลายของอายุและเชื้อชาติมากขึ้น เนื่องจากพวกเขาเห็นว่าคนอายุมากขึ้นมีการเคลื่อนไหวของมือที่สำคัญและบอกเป็นนัยมากขึ้นเมื่อป้อน PIN และการโจมตี ‘จะพบปัญหาในการทำงานสำหรับคนจากเชื้อชาติอื่น’ (มากกว่าคนเชื้อชาติแคสเปียน)