పడోవా విశ్వవిద్యాలయం (ఇటలీ) మరియు డెల్ఫ్ట్ విశ్వవిద్యాలయం (నెదర్లాండ్స్) నుండి వచ్చిన పరిశోధకుల బృందం, చేతితో కప్పబడిన ఏటీఎం ప్రవేశ ప్రాంతం యొక్క వీడియో రికార్డింగ్ నుండి నమోదు చేసిన పిన్ కోడ్ను పునర్నిర్మించడానికి మెషిన్ లెర్నింగ్ను ఉపయోగించే ఒక పద్ధతిని ప్రచురించింది. 4-అంకెల పిన్ కోడ్ను నమోదు చేసేటప్పుడు, నిరోధించబడటానికి ముందు మూడు ప్రయత్నాలు ఉంటాయని భావిస్తే, సరైన కోడ్ను అంచనా వేసే సంభావ్యత 41%గా అంచనా వేయబడింది. 5-అంకెల పిన్ కోడ్ల కోసం, అంచనా వేసే సంభావ్యత 30%గా ఉంది. ఇలాంటి రికార్డ్ చేసిన వీడియోల నుండి పిన్ కోడ్ను అంచనా వేయడానికి 78 మంది వాలంటీర్లు ప్రయత్నించిన ఒక ప్రత్యేక ప్రయోగం నిర్వహించబడింది. ఈ సందర్భంలో, మూడు ప్రయత్నాలు ఇచ్చినప్పుడు, విజయవంతంగా అంచనా వేసే సంభావ్యత 7.92%గా ఉంది.
ATM కీప్యాడ్ను అరచేతితో కప్పినప్పుడు, కీలను నొక్కడానికి ఉపయోగించే చేతి భాగం కప్పబడకుండా ఉంటుంది. దీనివల్ల, చేతి స్థానంలో మార్పు మరియు పాక్షికంగా కప్పబడిన వేళ్ల కదలిక ఆధారంగా కీస్ట్రోక్లను అంచనా వేయడానికి వీలవుతుంది. ప్రతి అంకె నమోదును విశ్లేషించేటప్పుడు, కప్పిన చేతి స్థానాన్ని బట్టి నొక్కలేని కీలను ఈ సిస్టమ్ తొలగిస్తుంది. అలాగే, కీ లేఅవుట్కు సంబంధించి కీని నొక్కుతున్న చేతి స్థానం ఆధారంగా అత్యంత సంభావ్య కీస్ట్రోక్లను లెక్కిస్తుంది. కీస్ట్రోక్ను గుర్తించే సంభావ్యతను పెంచడానికి, ప్రతి కీకి కొద్దిగా మారే కీస్ట్రోక్ల శబ్దాన్ని కూడా రికార్డ్ చేయవచ్చు.
ఈ ప్రయోగంలో, కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్ (CNN) ఆధారిత మెషిన్ లెర్నింగ్ సిస్టమ్ మరియు LSTM (లాంగ్ షార్ట్ టర్మ్ మెమరీ) ఆర్కిటెక్చర్ ఆధారిత రికరెంట్ న్యూరల్ నెట్వర్క్ను ఉపయోగించారు. CNN ప్రతి ఫ్రేమ్ కోసం ప్రాదేశిక డేటాను సంగ్రహించగా, LSTM నెట్వర్క్ ఈ డేటాను ఉపయోగించి కాలంతో పాటు మారుతున్న నమూనాలను సంగ్రహించింది. పాల్గొన్నవారు ఎంచుకున్న దాచిపెట్టే పద్ధతులను ఉపయోగించి, 58 మంది వేర్వేరు వ్యక్తులు PIN కోడ్లను నమోదు చేస్తున్న వీడియోలపై ఈ మోడల్కు శిక్షణ ఇచ్చారు (ప్రతి పాల్గొన్న వ్యక్తి 100 వేర్వేరు కోడ్లను నమోదు చేశారు, అంటే శిక్షణ కోసం 5800 ఇన్పుట్ ఉదాహరణలను ఉపయోగించారు). శిక్షణ సమయంలో, చాలా మంది వినియోగదారులు దాచిపెట్టడానికి ఉన్న మూడు ప్రధాన పద్ధతులలో ఒకదానిని ఉపయోగించారని కనుగొనబడింది.
మెషిన్ లెర్నింగ్ మోడల్కు శిక్షణ ఇవ్వడానికి, కింది వాటిని ఉపయోగించారు: సర్వర్ 128 GB RAM మరియు ఒక్కొక్కటి 5 GB మెమరీ గల మూడు Tesla K20m GPUలతో కూడిన Xeon E5-2670 ప్రాసెసర్ ఆధారంగా, ఈ సాఫ్ట్వేర్ను పైథాన్లో కెరాస్ లైబ్రరీ మరియు టెన్సర్ఫ్లో ప్లాట్ఫారమ్ను ఉపయోగించి వ్రాశారు. ATM ఇన్పుట్ ప్యానెల్లు విభిన్నంగా ఉంటాయి కాబట్టి, మరియు అంచనా ఫలితాలు వాటి పరిమాణం మరియు కీ లేఅవుట్ వంటి లక్షణాలపై ఆధారపడి ఉంటాయి కాబట్టి, ప్రతి రకమైన ప్యానెల్కు ప్రత్యేక శిక్షణ అవసరం.
ప్రతిపాదిత దాడి పద్ధతి నుండి రక్షించుకోవడానికి, సాధ్యమైనప్పుడల్లా 4 అంకెల పిన్ కోడ్లకు బదులుగా 5 అంకెల పిన్ కోడ్లను ఉపయోగించాలని, మరియు ఇన్పుట్ ప్రాంతంలో వీలైనంత ఎక్కువ భాగాన్ని మీ చేతితో కప్పి ఉంచడానికి ప్రయత్నించాలని సిఫార్సు చేయబడింది (చేయి ఇన్పుట్ ప్రాంతంలో సుమారు 75% కప్పి ఉంచితే ఈ పద్ధతి ప్రభావవంతంగా ఉంటుంది). ఏటీఎం తయారీదారులు, అంకెల స్థానాలు యాదృచ్ఛికంగా మారే యాంత్రిక ప్యానెళ్లకు బదులుగా, ఇన్పుట్ను కప్పి ఉంచే ప్రత్యేక రక్షణ తెరలను, అలాగే టచ్-సెన్సిటివ్ ఇన్పుట్ ప్యానెళ్లను ఉపయోగించాలని సూచించబడింది.
మూలం: opennet.ru
