Техника за одредување ПИН код од видео снимање на рачно покриен запис во банкомат

Тим истражувачи од Универзитетот во Падова (Италија) и Универзитетот во Делфт (Холандија) објавија метод за користење на машинско учење за реконструкција на внесен ПИН-код од видео снимка на рачно покриената влезна област на банкомат. . При внесување на 4-цифрен ПИН-код, веројатноста за предвидување на точната шифра се проценува на 41%, земајќи ја предвид можноста да се направат три обиди пред блокирањето. За 5-цифрени PIN кодови, веројатноста за предвидување беше 30%. Беше спроведен посебен експеримент во кој 78 волонтери се обидоа да го предвидат PIN-кодот од слични снимени видеа. Во овој случај, веројатноста за успешно предвидување беше 7.92% по три обиди.

Кога го покривате дигиталниот панел на банкомат со вашата дланка, делот од раката со кој се внесува влезот останува непокриен, што е доволно за да се предвидат кликовите со промена на положбата на раката и поместување на не целосно покриените прсти. Кога се анализира внесувањето на секоја цифра, системот ги елиминира копчињата што не можат да се притиснат земајќи ја предвид положбата на покривачката рака, а исто така ги пресметува најверојатните опции за притискање врз основа на положбата на раката што притиска во однос на локацијата на копчињата . За да се зголеми веројатноста за откривање на влезот, звукот на притискање на копчињата може дополнително да се снима, што е малку различно за секое копче.

Експериментот користеше систем за машинско учење заснован на употреба на конволуциона невронска мрежа (CNN) и рекурентна невронска мрежа базирана на архитектурата LSTM (Долгорочна краткорочна меморија). Мрежата CNN беше одговорна за извлекување просторни податоци за секоја рамка, а мрежата LSTM ги користеше овие податоци за да извлече шеми кои варираат во времето. Моделот беше обучен на видеа од 58 различни луѓе кои внесуваа PIN-кодови користејќи методи на капак за влез избрани од учесниците (секој учесник внесе 100 различни кодови, т.е., 5800 примери за внесување беа користени за обука). За време на обуката, беше откриено дека повеќето корисници користат еден од трите главни методи за покривање на влезот.

За обука на моделот за машинско учење, користен е сервер базиран на процесор Xeon E5-2670 со 128 GB RAM и три картички Tesla K20m со по 5 GB меморија. Софтверскиот дел е напишан во Python со помош на библиотеката Keras и платформата Tensorflow. Бидејќи влезните панели на банкоматите се различни и резултатот од предвидувањето зависи од карактеристиките како што се големината на клучот и топологијата, потребна е посебна обука за секој тип панел.

Како мерки за заштита од предложениот метод на напад, се препорачува, доколку е можно, да користите ПИН кодови од 5 цифри наместо 4, а исто така обидете се да покриете што е можно поголем дел од влезниот простор со вашата рака (методот останува ефективен ако околу 75% од влезната површина е покриена со вашата рака). На производителите на банкомати им се препорачува да користат специјални заштитни екрани кои го кријат влезот, како и не механички, туку влезни панели на допир, позицијата на броевите на кои се менува случајно.

Извор: opennet.ru