Usa ka grupo sa mga tigdukiduki gikan sa Unibersidad sa Padua (Italy) ug sa Unibersidad sa Delft (Netherlands) nagpatik sa usa ka pamaagi sa paggamit sa pagkat-on sa makina aron matukod pag-usab ang gisulod nga PIN code gikan sa usa ka pagrekord sa video sa gitabonan sa kamot nga lugar sa input sa usa ka ATM . Kung mosulod sa usa ka 4-digit nga PIN code, ang kalagmitan sa pagtagna sa husto nga code gibanabana sa 41%, nga gikonsiderar ang posibilidad sa paghimo sa tulo ka pagsulay sa wala pa babagan. Alang sa 5-digit nga PIN code, ang probability sa prediksyon maoy 30%. Usa ka bulag nga eksperimento ang gihimo diin 78 ka mga boluntaryo ang misulay sa pagtagna sa PIN code gikan sa parehas nga narekord nga mga video. Sa kini nga kaso, ang kalagmitan sa malampuson nga panagna mao ang 7.92% pagkahuman sa tulo ka pagsulay.
Kung gitabonan ang digital panel sa ATM gamit ang imong palad, ang bahin sa kamot diin gihimo ang input nagpabilin nga walaβy tabon, nga igo na aron matagna ang mga pag-klik pinaagi sa pagbag-o sa posisyon sa kamot ug pagbalhin sa dili hingpit nga natabonan nga mga tudlo. Kung gi-analisar ang input sa matag digit, giwagtang sa sistema ang mga yawe nga dili mapugos nga gikonsiderar ang posisyon sa nagtabon nga kamot, ug gikalkulo usab ang labing lagmit nga mga kapilian alang sa pagpindot base sa posisyon sa pagpugos nga kamot kalabot sa lokasyon sa mga yawe. . Aron madugangan ang posibilidad nga makit-an ang pag-input, ang tunog sa mga keystroke mahimo nga dugang nga irekord, nga medyo lahi sa matag yawe.
Ang eksperimento migamit ug sistema sa pagkat-on sa makina base sa paggamit sa convolutional neural network (CNN) ug usa ka balik-balik nga neural network base sa LSTM (Long Short Term Memory) nga arkitektura. Ang network sa CNN maoy responsable sa pagkuha sa spatial data alang sa matag frame, ug ang LSTM network migamit niini nga datos aron makuha ang mga pattern nga nag-usab-usab sa panahon. Ang modelo gibansay sa mga video sa 58 ka lain-laing mga tawo nga nagsulod sa mga PIN code gamit ang gipili sa partisipante nga mga pamaagi sa pagtabon sa input (matag partisipante misulod sa 100 ka lain-laing mga code, i.e., 5800 ka mga pananglitan sa input ang gigamit alang sa pagbansay). Atol sa pagbansay, gipadayag nga kadaghanan sa mga tiggamit naggamit sa usa sa tulo nga panguna nga pamaagi sa pagtabon sa input.
Aron mabansay ang modelo sa pagkat-on sa makina, usa ka server nga gibase sa usa ka Xeon E5-2670 nga processor nga adunay 128 GB nga RAM ug tulo nga Tesla K20m nga mga kard nga adunay 5GB nga memorya matag usa gigamit. Ang bahin sa software gisulat sa Python gamit ang Keras library ug ang Tensorflow nga plataporma. Tungod kay lahi ang mga panel sa input sa ATM ug ang resulta sa prediksyon nagdepende sa mga kinaiya sama sa gidak-on ug topolohiya, gikinahanglan ang lahi nga pagbansay alang sa matag klase sa panel.
Isip mga lakang aron mapanalipdan batok sa gisugyot nga pamaagi sa pag-atake, girekomenda, kung mahimo, nga gamiton ang mga PIN code nga 5 ka numero imbes nga 4, ug sulayi usab nga tabunan ang daghang lugar sa input kutob sa mahimo gamit ang imong kamot (ang pamaagi magpabilin nga epektibo kung mga 75% sa input area gitabonan sa imong kamot). Ang mga tiggama sa ATM girekomendar nga gamiton ang mga espesyal nga protective screen nga nagtago sa input, ingon man dili mekanikal, apan paghikap sa mga panel sa input, ang posisyon sa mga numero nga nag-usab-usab nga random.
Source: opennet.ru