படோவா பல்கலைக்கழகம் (இத்தாலி) மற்றும் டெல்ஃப்ட் பல்கலைக்கழகம் (நெதர்லாந்து) ஆராய்ச்சியாளர்கள் குழு, கையால் மூடப்பட்ட ஏடிஎம் நுழைவுப் பகுதியின் வீடியோ பதிவிலிருந்து உள்ளிடப்பட்ட பின் குறியீட்டை மறுகட்டமைக்க இயந்திர கற்றலைப் பயன்படுத்துவதற்கான ஒரு முறையை வெளியிட்டது. 4-இலக்க பின் குறியீட்டை உள்ளிடும்போது, சரியான குறியீட்டைக் கணிக்கும் நிகழ்தகவு 41% என மதிப்பிடப்பட்டது, தடுக்கப்படுவதற்கு முன் மூன்று முயற்சிகளைக் கருதுகிறது. 5-இலக்க பின் குறியீடுகளுக்கு, கணிப்பு நிகழ்தகவு 30% ஆகும். ஒரு தனி பரிசோதனை நடத்தப்பட்டது, இதில் 78 தன்னார்வலர்கள் இதேபோன்ற பதிவு செய்யப்பட்ட வீடியோக்களிலிருந்து பின் குறியீட்டைக் கணிக்க முயன்றனர். இந்த வழக்கில், வெற்றிகரமான கணிப்புக்கான நிகழ்தகவு 7.92% ஆகும், மூன்று முயற்சிகள் கொடுக்கப்பட்டன.
ஏடிஎம் விசைப்பலகையை உள்ளங்கையால் மூடும்போது, விசைகளை உள்ளிடுவதற்குப் பயன்படுத்தப்படும் கையின் பகுதி மூடப்படாமல் இருக்கும், இதனால் கை நிலையில் ஏற்படும் மாற்றம் மற்றும் பகுதியளவு மூடப்பட்ட விரல்களின் அசைவு ஆகியவற்றின் அடிப்படையில் விசை அழுத்தங்களை கணிக்க முடியும். ஒவ்வொரு இலக்க உள்ளீட்டையும் பகுப்பாய்வு செய்யும் போது, மறைக்கும் கையின் நிலையைக் கருத்தில் கொண்டு அழுத்த முடியாத விசைகளை இந்த அமைப்பு நீக்குகிறது மற்றும் விசை அமைப்பைப் பொறுத்து கை விசையை அழுத்தும் நிலையை அடிப்படையாகக் கொண்டு மிகவும் சாத்தியமான விசை அழுத்தங்களைக் கணக்கிடுகிறது. விசை அழுத்தத்தைக் கண்டறியும் வாய்ப்பை அதிகரிக்க, ஒவ்வொரு விசைக்கும் சற்று மாறுபடும் விசை அழுத்தங்களின் ஒலியையும் பதிவு செய்யலாம்.
இந்த சோதனையானது, ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) அடிப்படையிலான இயந்திர கற்றல் அமைப்பையும், LSTM (நீண்ட குறுகிய கால நினைவகம்) கட்டமைப்பை அடிப்படையாகக் கொண்ட ஒரு தொடர்ச்சியான நியூரல் நெட்வொர்க்கையும் பயன்படுத்தியது. CNN ஒவ்வொரு சட்டகத்திற்கும் இடஞ்சார்ந்த தரவைப் பிரித்தெடுத்தது, அதே நேரத்தில் LSTM நெட்வொர்க் இந்த தரவைப் பயன்படுத்தி நேரம் மாறுபடும் வடிவங்களைப் பிரித்தெடுத்தது. பங்கேற்பாளர்கள் தேர்ந்தெடுத்த மறைத்தல் முறைகளைப் பயன்படுத்தி, 58 வெவ்வேறு நபர்கள் PIN குறியீடுகளை உள்ளிடும் வீடியோக்களில் இந்த மாதிரி பயிற்சி அளிக்கப்பட்டது (ஒவ்வொரு பங்கேற்பாளரும் 100 வெவ்வேறு குறியீடுகளை உள்ளிட்டனர், அதாவது 5800 உள்ளீட்டு எடுத்துக்காட்டுகள் பயிற்சிக்கு பயன்படுத்தப்பட்டன). பயிற்சியின் போது, பெரும்பாலான பயனர்கள் மறைக்கும் மூன்று முக்கிய முறைகளில் ஒன்றைப் பயன்படுத்தியது கண்டறியப்பட்டது.
இயந்திர கற்றல் மாதிரியைப் பயிற்றுவிக்க, பின்வருவன பயன்படுத்தப்பட்டன: சர்வர் 128 GB ரேம் மற்றும் தலா 5 GB நினைவகம் கொண்ட மூன்று டெஸ்லா K20m GPU-க்களுடன் கூடிய Xeon E5-2670 செயலியை அடிப்படையாகக் கொண்டு, இந்த மென்பொருளானது கேராஸ் நூலகம் மற்றும் டென்சர்ஃப்ளோ தளத்தைப் பயன்படுத்தி பைத்தானில் எழுதப்பட்டுள்ளது. ATM உள்ளீட்டுப் பலகைகள் மாறுபடுவதாலும், கணிப்பு முடிவுகள் அளவு மற்றும் விசை அமைப்பு போன்ற பண்புகளைச் சார்ந்திருப்பதாலும், ஒவ்வொரு வகை பலகைக்கும் தனித்தனி பயிற்சி தேவைப்படுகிறது.
முன்மொழியப்பட்ட தாக்குதல் முறையிலிருந்து பாதுகாக்க, முடிந்தவரை 4 க்கு பதிலாக 5-இலக்க PIN குறியீடுகளைப் பயன்படுத்துவது பரிந்துரைக்கப்படுகிறது, மேலும் முடிந்தவரை உங்கள் கையால் உள்ளீட்டுப் பகுதியை மறைக்க முயற்சிக்கவும் (கை உள்ளீட்டுப் பகுதியில் தோராயமாக 75% ஐ உள்ளடக்கியிருந்தால் இந்த முறை பயனுள்ளதாக இருக்கும்). ATM உற்பத்தியாளர்கள், உள்ளீட்டை மறைக்கும் சிறப்பு பாதுகாப்புத் திரைகளையும், இலக்க நிலைகள் சீரற்ற முறையில் மாறும் இயந்திரத் திரைகளுக்குப் பதிலாக தொடு உணர் உள்ளீட்டுப் பேனல்களையும் பயன்படுத்த அறிவுறுத்தப்படுகிறார்கள்.
ஆதாரம்: opennet.ru
