పాడువా విశ్వవిద్యాలయం (ఇటలీ) మరియు డెల్ఫ్ట్ విశ్వవిద్యాలయం (నెదర్లాండ్స్) పరిశోధకుల బృందం ATM యొక్క చేతితో కప్పబడిన ఇన్పుట్ ప్రాంతం యొక్క వీడియో రికార్డింగ్ నుండి నమోదు చేయబడిన PIN కోడ్ను పునర్నిర్మించడానికి యంత్ర అభ్యాసాన్ని ఉపయోగించే పద్ధతిని ప్రచురించింది. . 4-అంకెల PIN కోడ్ను నమోదు చేస్తున్నప్పుడు, సరైన కోడ్ను అంచనా వేసే సంభావ్యత 41%గా అంచనా వేయబడుతుంది, బ్లాక్ చేయడానికి ముందు మూడు ప్రయత్నాలు చేసే అవకాశాన్ని పరిగణనలోకి తీసుకుంటుంది. 5-అంకెల PIN కోడ్ల కోసం, అంచనా సంభావ్యత 30%. ఒక ప్రత్యేక ప్రయోగం నిర్వహించబడింది, దీనిలో 78 మంది వాలంటీర్లు ఇలాంటి రికార్డ్ చేయబడిన వీడియోల నుండి పిన్ కోడ్ను అంచనా వేయడానికి ప్రయత్నించారు. ఈ సందర్భంలో, మూడు ప్రయత్నాల తర్వాత విజయవంతమైన అంచనా సంభావ్యత 7.92%.
మీ అరచేతితో ATM యొక్క డిజిటల్ ప్యానెల్ను కవర్ చేస్తున్నప్పుడు, ఇన్పుట్ చేయబడిన చేతి భాగం అన్కవర్డ్గా ఉంటుంది, ఇది చేతి స్థానాన్ని మార్చడం ద్వారా మరియు పూర్తిగా కప్పబడని వేళ్లను మార్చడం ద్వారా క్లిక్లను అంచనా వేయడానికి సరిపోతుంది. ప్రతి అంకె యొక్క ఇన్పుట్ను విశ్లేషించేటప్పుడు, కవరింగ్ చేతి యొక్క స్థానాన్ని పరిగణనలోకి తీసుకొని నొక్కలేని కీలను సిస్టమ్ తొలగిస్తుంది మరియు కీల స్థానానికి సంబంధించి నొక్కే చేతి యొక్క స్థానం ఆధారంగా నొక్కడానికి చాలా అవకాశం ఉన్న ఎంపికలను కూడా లెక్కిస్తుంది. . ఇన్పుట్ డిటెక్షన్ యొక్క సంభావ్యతను పెంచడానికి, కీస్ట్రోక్ల ధ్వనిని అదనంగా రికార్డ్ చేయవచ్చు, ఇది ప్రతి కీకి కొద్దిగా భిన్నంగా ఉంటుంది.
ఈ ప్రయోగంలో కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్ (CNN) మరియు LSTM (లాంగ్ షార్ట్ టర్మ్ మెమరీ) ఆర్కిటెక్చర్ ఆధారంగా పునరావృతమయ్యే న్యూరల్ నెట్వర్క్ వినియోగం ఆధారంగా మెషీన్ లెర్నింగ్ సిస్టమ్ని ఉపయోగించారు. ప్రతి ఫ్రేమ్ కోసం ప్రాదేశిక డేటాను సంగ్రహించడానికి CNN నెట్వర్క్ బాధ్యత వహిస్తుంది మరియు LSTM నెట్వర్క్ ఈ డేటాను సమయం-మారుతున్న నమూనాలను సేకరించేందుకు ఉపయోగించింది. పార్టిసిపెంట్-ఎంచుకున్న ఇన్పుట్ కవర్ పద్ధతులను ఉపయోగించి 58 మంది వేర్వేరు వ్యక్తులు పిన్ కోడ్లను నమోదు చేసే వీడియోలపై మోడల్ శిక్షణ పొందింది (ప్రతి పార్టిసిపెంట్ 100 వేర్వేరు కోడ్లను నమోదు చేశారు, అంటే శిక్షణ కోసం 5800 ఇన్పుట్ ఉదాహరణలు ఉపయోగించబడ్డాయి). శిక్షణ సమయంలో, చాలా మంది వినియోగదారులు ఇన్పుట్ను కవర్ చేయడానికి మూడు ప్రధాన పద్ధతుల్లో ఒకదాన్ని ఉపయోగిస్తున్నారని వెల్లడైంది.
మెషిన్ లెర్నింగ్ మోడల్కు శిక్షణ ఇవ్వడానికి, 5 GB RAMతో Xeon E2670-128 ప్రాసెసర్పై ఆధారపడిన సర్వర్ మరియు 20GB మెమరీతో మూడు Tesla K5m కార్డ్లు ఉపయోగించబడ్డాయి. కేరాస్ లైబ్రరీ మరియు టెన్సార్ఫ్లో ప్లాట్ఫారమ్ను ఉపయోగించి సాఫ్ట్వేర్ భాగం పైథాన్లో వ్రాయబడింది. ATM ఇన్పుట్ ప్యానెల్లు విభిన్నంగా ఉంటాయి మరియు ప్రిడిక్షన్ ఫలితం కీ పరిమాణం మరియు టోపోలాజీ వంటి లక్షణాలపై ఆధారపడి ఉంటుంది కాబట్టి, ప్రతి రకమైన ప్యానెల్కు ప్రత్యేక శిక్షణ అవసరం.
ప్రతిపాదిత దాడి పద్ధతి నుండి రక్షించడానికి చర్యలుగా, వీలైతే, 5కి బదులుగా 4 అంకెల PIN కోడ్లను ఉపయోగించమని సిఫార్సు చేయబడింది మరియు మీ చేతితో వీలైనంత ఎక్కువ ఇన్పుట్ స్థలాన్ని కవర్ చేయడానికి ప్రయత్నించండి (పద్ధతి ప్రభావవంతంగా ఉంటే ఇన్పుట్ ప్రాంతంలో దాదాపు 75% మీ చేతితో కప్పబడి ఉంటుంది). ATM తయారీదారులు ఇన్పుట్ను దాచిపెట్టే ప్రత్యేక రక్షిత స్క్రీన్లను ఉపయోగించాలని సిఫార్సు చేస్తారు, అలాగే మెకానికల్ కాదు, కానీ టచ్ ఇన్పుట్ ప్యానెల్లు, యాదృచ్ఛికంగా మారే సంఖ్యల స్థానం.
మూలం: opennet.ru