Phương Pháp AI Để Phát Hiện ‘Bảo Vệ’ Nhập Mã PIN Tại Máy ATM

Những nhà nghiên cứu ở Ý và Hà Lan đã phát triển một phương pháp học máy có khả năng suy đoán mã PIN mà một khách hàng ngân hàng nhập vào máy ATM, dựa trên video được quay – ngay cả trong trường hợp khách hàng che tay để bảo vệ chống lại việc nhìn trộm.

Phương pháp này liên quan đến việc đào tạo một mạng nơ-ron tích chập (CNN) và một mô-đun bộ nhớ ngắn hạn (LSTM) trên các video về nhập mã PIN ‘tay che’ tại một máy ATM ‘bóng tối’ đã được trang bị cùng một bàn phím như máy ATM mục tiêu – thiết bị có thể được mua, như các nhà nghiên cứu đã làm cho dự án, tạo ra một máy ATM ‘gương’ để thu thập dữ liệu.

Máy ATM giả có thể được đào tạo riêng, như các nhà nghiên cứu đã làm, loại bỏ rủi ro của việc lắp đặt máy ATM giả công khai, một phương thức hoạt động phổ biến trong loại tội phạm này.

Bên trái, hai mô hình bàn phím được sử dụng cho nghiên cứu của Ý. Bên phải, máy ATM ‘bóng tối’ mà các nhà nghiên cứu đã xây dựng trong điều kiện phòng thí nghiệm. Nguồn: https://arxiv.org/pdf/2110.08113.pdf

Hệ thống, hoạt động dựa trên chuyển động và vị trí của tay trong quá trình nhập mã PIN, có thể dự đoán 41% mã PIN 4 chữ số và 30% mã PIN 5 chữ số trong 3 lần thử (thường là số lần thử tối đa mà một ngân hàng cho phép trước khi khóa tài khoản của khách hàng). Các thử nghiệm liên quan đến 58 tình nguyện viên sử dụng mã PIN ngẫu nhiên.

Nghiên cứu, dữ liệu của nó được công khai, cho thấy hệ thống đề xuất mang lại sự cải thiện gấp 4 lần khả năng đoán mã PIN của con người bằng cách nhìn trộm.

Bài báo có tiêu đề Hand Me Your PIN! Suy đoán mã PIN của người dùng nhập với tay che, và đến từ 5 nhà nghiên cứu tại Đại học Padua, và 1 từ Đại học Công nghệ Delft.

Các nhà nghiên cứu đã loại bỏ các bản ghi nơi các đối tượng không che đủ bàn phím (bên trái).

Các nhà nghiên cứu cho rằng hệ thống của họ đạt được kết quả vượt trội so với các nghiên cứu trước dựa trên thời gian, âm thanh và chữ ký nhiệt, mà không có thành phần phân tích video.

Họ cũng lưu ý rằng sự nhận thức về các thiết bị ‘lấy cắp’ tập trung vào khe cắm thẻ, vì đây là phương pháp tấn công truyền thống, và khách hàng không có lý do để tin rằng bất kỳ máy ảnh micro nào có thể ‘nhìn thấy’ qua tay che của họ, hoặc rằng tiếng ồn chung của phím và âm thanh phản hồi giống nhau cho mỗi lần nhấn phím có thể tiết lộ bất kỳ thông tin nào.

Thiết bị ‘bổ sung’ của máy ATM sẽ do đó xuất hiện ở một vị trí mà không ai đang mong đợi, dưới bề mặt trên cùng của hốc máy ATM, như một bộ phận đúc che giấu thiết bị camera – hoặc thậm chí hoàn toàn bên ngoài bề mặt máy ATM, gắn vào một tòa nhà hoặc cột gần đó.

PIN Tiền

Mặc dù có hậu quả nghiêm trọng của việc vi phạm, mã PIN là một trong những mật khẩu ngắn nhất và dễ đoán nhất mà chúng ta sử dụng; đã được ước tính rằng một kẻ tấn công đã có 1 cơ hội trong 10 để đoán mã PIN chính xác. Kỹ thuật xã hội không phải lúc nào cũng là một phụ trợ cần thiết cho các cuộc tấn công AI dựa trên trí tuệ nhân tạo, vì 1234 đã được ước tính chiếm 11% tất cả các mã PIN, trong khi 19 (là phần đầu tiên của năm sinh) đại diện cho 2 chữ số đầu tiên trong hơn 80% mã PIN.

Tuy nhiên, các tác giả của bài báo mới này đã không tự cho mình lợi thế này, mà thay vào đó đã đặt ra để điều tra xem liệu có một mẫu mã PIN ‘bảo vệ’ có thể suy đoán được hay không.

Để thiết lập một cơ sở, các nhà nghiên cứu đã xây dựng một máy ATM giả cho mục đích thu thập dữ liệu (xem hình ảnh đầu tiên ở trên). Điều này đại diện cho phương pháp tấn công giả định, nơi một kẻ tấn công sẽ phân tích thụ động các đặc điểm nhập mã PIN điển hình trong một thời gian dài để chuẩn bị cho một cuộc ‘tấn công’ sau này vào tài khoản.

Mặc dù cách tiếp cận ‘nghiên cứu’ này là phổ biến trong tội phạm gian lận máy ATM tinh vi, với nhiều trường hợp máy ATM giả thoát dữ liệu khách hàng trong một thời gian dài, trong trường hợp này, kẻ tấn công có thể thiết lập máy ATM giả trong không gian của mình và đào tạo nó mà không cần đầu vào công khai.

Vì màn hình máy ATM không có khả năng bị che khuất trong quá trình nhập mã PIN, thời gian nhấn phím có thể được thiết lập bằng cách đồng bộ hóa chuyển động tay với sự xuất hiện của các chữ số ‘che’ (thường là các dấu hoa thị) trên màn hình máy ATM và cũng với các tiếng ồn phản hồi chung (như tiếng bíp) trùng với các nét.

Định hướng các Bàn phím Cụ thể

Trước tiên, một mô hình phải được phát triển bằng cách quan sát và ghi lại các nhập mã PIN ‘tay che’. Lý tưởng nhất, bàn phím nên là một mô hình tiêu chuẩn của ngành, mặc dù một số biến thể về milimét sẽ không ngăn cản phương pháp hoạt động. Thời gian nhấn phím có thể được lấy từ các tín hiệu âm thanh và hình ảnh (ví dụ: tiếng ồn phản hồi, tiếng gõ phím và phản hồi dấu hoa thị).

Với những điểm dừng này, kẻ tấn công có thể tự động hóa việc trích xuất một tập dữ liệu đào tạo và tiếp tục đào tạo một mô hình có khả năng xác định các cấu hình tay đại diện cho việc nhấn một phím cụ thể. Điều này sẽ tạo ra một danh sách xếp hạng các xác suất cho mã PIN của thẻ, trong đó 3 xác suất hàng đầu sẽ được chọn cho cuộc tấn công khi dữ liệu khách hàng thực tế được hệ thống xác định trong một kịch bản thế giới thực.

Phương pháp

Thu thập dữ liệu được thực hiện trong hai phiên, sử dụng các tình nguyện viên tay phải cho nghiên cứu. Mỗi người tham gia nhập 100 mã PIN 5 chữ số ngẫu nhiên, để đảm bảo phạm vi bao phủ đều tất cả 10 lần nhấn phím có thể. Theo cách này, các nhà nghiên cứu đã thu thập 5.800 lần nhập mã PIN riêng lẻ.

Các bàn phím PIN được sử dụng trong các thử nghiệm là DAVO LIN Model D-8201F và DAVO LIN Model D-8203 B. Chúng là các mô hình thương mại được sử dụng trong máy ATM và có sẵn, lần lượt, tại đây và tại đây (trong số nhiều nhà cung cấp khác).

Các đoạn video thu thập được đã được chuyển đổi sang thang độ xám và chuẩn hóa và cắt, trước khi được thay đổi kích thước thành 250×250 pixel để đưa vào các phiên đào tạo học máy. Các đoạn đã được phân đoạn để thu được các chuỗi con của các khung hình liên quan đến các sự kiện nhấn phím. Các tín hiệu âm thanh (như đã đề cập ở trên) đã được sử dụng làm dấu thời gian cho các sự kiện nhấn phím.

Đào tạo

Các tập dữ liệu đã được chia thành tập đào tạo, xác thực và kiểm tra, với việc đào tạo diễn ra trên một CPU Intel Xeon(R) chạy tại 2,60 GHz và được trang bị 128GB RAM. Dữ liệu đã được triển khai trên Keras2.3.0-tf (TensorFlow 2.2.0) và Python 3.8.6 trên 3 GPU Tesla K20m với 5GB VRAM mỗi GPU.

Để tính đến sự thay đổi của môi trường thu thập (ánh sáng, sự khác biệt nhỏ về góc máy, v.v.), các ví dụ tổng hợp và biến dạng (như quay và thay đổi góc nhìn) đã được tạo ra, và các tác giả báo cáo rằng loại tăng cường dữ liệu này là một trợ giúp lớn trong việc cải thiện hiệu quả của mô hình.

Kết quả

Mô hình đã được thử nghiệm trong 3 kịch bản: ‘máy ATM đơn’, nơi kẻ tấn công biết mô hình của máy ATM và đào tạo cụ thể cho nó; ‘độc lập với máy ATM’, nơi mô hình được đào tạo trên một bàn phím tương tự (nhưng không giống hệt) với máy ATM mục tiêu; và một ‘kịch bản hỗn hợp’, nơi kẻ tấn công có một bản sao của cả hai máy ATM.

Kết quả chung trên 3 kịch bản, nơi Top-N biểu thị một ước đoán của chữ số trong N lần thử.

Có một sự khác biệt đáng chú ý về độ chính xác cho việc suy đoán mã PIN 5 chữ số so với mã PIN 4 chữ số:

Biện pháp Phòng ngừa

Khi xem xét các biện pháp phòng ngừa đối với các hệ thống hiện có (tức là không có sự thay đổi cơ bản toàn bộ cơ sở hạ tầng bảo mật PIN/máy ATM), các nhà nghiên cứu cho rằng không có biện pháp phòng ngừa thực sự hiệu quả chống lại loại tấn công này.

Tăng số chữ số tối thiểu trong mã PIN sẽ làm cho mã PIN khó nhớ hơn; ngẫu hóa thứ tự của các số trên bàn phím với bàn phím cảm ứng, mặc dù ngày càng phổ biến trong các triển khai máy ATM, cũng tạo ra các vấn đề về khả năng sử dụng; và các bộ bảo vệ màn hình sẽ không chỉ tốn kém để triển khai trên các máy ATM hiện có, mà còn có thể làm cho phương pháp tấn công của bài báo này trở nên dễ dàng hơn, tùy thuộc vào mức độ che phủ mà chúng có thể cung cấp. Các nhà nghiên cứu khẳng định rằng tấn công của họ có thể hoạt động ngay cả khi 75% bàn phím được che (và che nhiều hơn sẽ làm cho khách hàng khó nhập mã PIN).

Trong việc tạo ra một phương pháp tương tự dựa trên con người để trích xuất mã PIN, những người thực sự chỉ có thể đạt được một phần nhỏ độ chính xác của hệ thống AI trong việc đoán mã PIN, dựa trên cùng thông tin.

Trong việc phát triển tương lai của công việc, các nhà nghiên cứu có ý định kiểm tra kết quả từ những người không phải tay phải, và để điều tra các chiến lược che tay có thể giảm thiểu cuộc tấn công. Họ cũng có ý định lặp lại các thí nghiệm với sự đa dạng về tuổi tác và chủng tộc lớn hơn, vì họ quan sát thấy rằng những người lớn tuổi thực hiện các chuyển động tay quan trọng và có ý nghĩa hơn khi nhập mã PIN, và rằng cuộc tấn công ‘sẽ gặp khó khăn khi hoạt động cho những người thuộc các chủng tộc khác’ (so với người da trắng).