ATM에서 손으로 덮은 항목의 비디오 녹화에서 PIN 코드를 결정하는 기술

파도바대학교(이탈리아)와 델프트대학교(네덜란드) 연구진은 머신러닝을 사용해 ATM의 손으로 덮은 입력 영역을 비디오로 녹화한 후 입력된 PIN 코드를 재구성하는 방법을 발표했습니다. . 4자리 PIN 코드를 입력할 때 차단 전 41회 시도 가능성을 고려하면 올바른 코드를 예측할 확률은 5%로 추정됩니다. 30자리 PIN코드의 경우 예측확률은 78%이다. 7.92명의 자원봉사자가 유사한 녹화 영상에서 PIN 코드를 예측하는 별도의 실험이 수행되었습니다. 이 경우 XNUMX회 시도 후 예측 성공 확률은 XNUMX%였다.

ATM의 디지털 패널을 손바닥으로 덮으면 입력을 하는 손 부분이 드러나지 않는데, 이는 손의 위치를 ​​바꾸고 완전히 가리지 않은 손가락을 움직여 클릭을 예측하기에 충분합니다. 각 숫자의 입력을 분석할 때, 시스템은 덮고 있는 손의 위치를 ​​고려하여 누를 수 없는 키를 제거하고, 키의 위치를 ​​기준으로 누르는 손의 위치를 ​​기준으로 누를 가능성이 가장 높은 옵션을 계산합니다. . 입력 감지 가능성을 높이기 위해 키 입력 소리를 추가로 녹음할 수 있는데, 이는 키마다 조금씩 다릅니다.

실험에서는 CNN(Convolutional Neural Network) 기반의 기계 학습 시스템과 LSTM(Long Short Term Memory) 아키텍처 기반의 순환 신경망(Recurrent Neural Network)을 사용했습니다. CNN 네트워크는 각 프레임의 공간 데이터를 추출하는 역할을 담당했고, LSTM 네트워크는 이 데이터를 사용하여 시변 패턴을 추출했습니다. 이 모델은 참가자가 선택한 입력 표지 방법을 사용하여 58명의 서로 다른 사람들이 PIN 코드를 입력하는 비디오에 대해 훈련되었습니다(각 참가자는 100개의 서로 다른 코드를 입력했습니다. 즉, 5800개의 입력 예가 훈련에 사용되었습니다). 훈련 과정에서 대부분의 사용자는 입력을 처리하는 세 가지 주요 방법 중 하나를 사용하는 것으로 나타났습니다.

기계 학습 모델을 훈련하기 위해 5GB RAM을 갖춘 Xeon E2670-128 프로세서와 각각 20GB 메모리를 갖춘 5개의 Tesla KXNUMXm 카드를 기반으로 하는 서버가 사용되었습니다. 소프트웨어 부분은 Keras 라이브러리와 Tensorflow 플랫폼을 사용하여 Python으로 작성되었습니다. ATM 입력 패널은 서로 다르며 키 크기, 토폴로지 등의 특성에 따라 예측 결과가 달라지므로 패널 유형별로 별도의 학습이 필요합니다.

제안된 공격 방법에 대한 방어책으로는 가능하다면 5자리 대신 4자리의 PIN 코드를 사용하는 것이 좋으며, 입력 공간을 손으로 최대한 가리는 것이 좋습니다. 입력 영역의 약 75%가 손으로 덮여 있습니다. ATM 제조업체는 기계식이 아닌 입력을 숨기는 특수 보호 스크린을 사용하는 것이 좋지만 숫자 위치가 무작위로 변경되는 터치 입력 패널을 사용하는 것이 좋습니다.

출처 : opennet.ru