來自帕多瓦大學（義大利）和代爾夫特大學（荷蘭）的一組研究人員發布了一種方法，利用機器學習從 ATM 手部覆蓋輸入區域的視訊記錄中重建輸入的 PIN 碼。 當輸入 4 位 PIN 碼時，考慮到在阻止之前進行 41 次嘗試的可能性，預測正確代碼的機率估計為 5%。 對於 30 位 PIN 碼，預測機率為 78%。 另一項實驗由 7.92 名志願者嘗試從類似錄製的影片中預測 PIN 碼。 在本例中，經過 XNUMX 次嘗試後，預測成功的機率為 XNUMX%。
當用手掌覆蓋 ATM 的數位面板時，進行輸入的手部保持未被覆蓋，這足以透過改變手的位置並移動未完全覆蓋的手指來預測點擊。 在分析每個數字的輸入時，系統會考慮覆蓋手的位置來消除無法按下的按鍵，並根據按下的手相對於按鍵位置的位置來計算最可能按下的選項。 為了增加輸入偵測的可能性，可以額外記錄擊鍵的聲音，每個鍵的聲音略有不同。
本實驗使用了基於卷積神經網路（CNN）和基於 LSTM（長短期記憶）架構的循環神經網路的機器學習系統。 CNN 網路負責提取每一幀的空間數據，LSTM 網路使用這些數據來提取隨時間變化的模式。 該模型在 58 個不同的人使用參與者選擇的輸入覆蓋方法輸入 PIN 碼的影片上進行了訓練（每個參與者輸入 100 個不同的代碼，即使用 5800 個輸入範例進行訓練）。 在培訓過程中，我們發現大多數使用者使用三種主要方法之一來覆蓋輸入。
為了訓練機器學習模型，使用了基於 Xeon E5-2670 處理器（具有 128 GB RAM）和三張 Tesla K20m 卡（各具有 5 GB 記憶體）的伺服器。 軟體部分是使用Keras庫和Tensorflow平台用Python編寫的。 由於ATM輸入面板不同，且預測結果取決於密鑰大小和拓撲等特徵，因此需要對每種類型的面板進行單獨訓練。
作為防範所提出的攻擊方法的措施，如果可能的話，建議使用 5 位數字而不是 4 位 PIN 碼，並嘗試用手覆蓋盡可能多的輸入空間（如果條件允許，該方法仍然有效）大約75%的輸入區域被您的手覆蓋）。 建議ATM製造商使用隱藏輸入的特殊保護屏，以及不是機械的而是觸摸輸入面板，數字的位置隨機變化。
來源： opennet.ru