Техника за определяне на ПИН код от видеозапис на ръчно прикрито влизане в банкомат

Екип от изследователи от университета в Падуа (Италия) и университета в Делфт (Холандия) публикуваха метод за използване на машинно обучение за реконструиране на въведен ПИН код от видеозапис на ръчно покритата зона за въвеждане на банкомат . При въвеждане на 4-цифрен ПИН код вероятността за предсказване на правилния код се оценява на 41%, като се вземе предвид възможността да се направят три опита преди блокиране. За 5-цифрени ПИН кодове вероятността за прогнозиране е 30%. Беше проведен отделен експеримент, в който 78 доброволци се опитаха да предскажат ПИН кода от подобни записани видеоклипове. В този случай вероятността за успешна прогноза е 7.92% след три опита.

При покриване на дигиталния панел на банкомата с длан, частта от ръката, с която се въвежда, остава непокрита, което е достатъчно за предсказване на щраквания чрез промяна на позицията на ръката и разместване на непокритите пръсти. Когато анализира въвеждането на всяка цифра, системата елиминира клавишите, които не могат да бъдат натиснати, като взема предвид позицията на покриващата ръка, а също така изчислява най-вероятните опции за натискане въз основа на позицията на натискащата ръка спрямо местоположението на клавишите . За да се увеличи вероятността за разпознаване на въвеждане, звукът от натискане на клавиши може да бъде допълнително записан, което е малко по-различно за всеки клавиш.

Експериментът използва система за машинно обучение, базирана на използването на конволюционна невронна мрежа (CNN) и повтаряща се невронна мрежа, базирана на архитектурата LSTM (Long Short Term Memory). Мрежата CNN беше отговорна за извличането на пространствени данни за всеки кадър, а мрежата LSTM използва тези данни, за да извлече променливи във времето модели. Моделът беше обучен върху видеоклипове на 58 различни хора, въвеждащи ПИН кодове, използвайки избрани от участниците методи за покриване на въвеждане (всеки участник въведе 100 различни кода, т.е. 5800 примера за въвеждане бяха използвани за обучение). По време на обучението беше разкрито, че повечето потребители използват един от трите основни метода за покриване на входа.

За обучение на модела за машинно обучение е използван сървър, базиран на процесор Xeon E5-2670 със 128 GB RAM и три карти Tesla K20m с по 5 GB памет. Софтуерната част е написана на Python с помощта на библиотеката Keras и платформата Tensorflow. Тъй като панелите за въвеждане на ATM са различни и резултатът от прогнозиране зависи от характеристики като размер на ключ и топология, е необходимо отделно обучение за всеки тип панел.

Като мерки за защита срещу предложения метод на атака се препоръчва, ако е възможно, да използвате ПИН кодове от 5 цифри вместо 4, както и да се опитате да покриете колкото е възможно повече от пространството за въвеждане с ръка (методът остава ефективен, ако около 75% от входната площ е покрита с ръката ви). На производителите на банкомати се препоръчва да използват специални защитни екрани, които скриват входа, както и не механични, а сензорни входни панели, позицията на числата на които се променя произволно.

Източник: opennet.ru