Detecting Quishing Attacks with Machine Learning Techniques Through QR Code Analysis
Dieses Paper schlägt ein neuartiges Machine-Learning-Framework vor, das Quishing-Angriffe durch die direkte Analyse der strukturellen und Pixel-Muster von QR-Codes ohne Extraktion des eingebetteten Inhalts erkennt, wobei mit XGBoost eine hohe Genauigkeit erzielt wird und demonstriert wird, dass visuelle Merkmale allein effektiv Phishing-Risiken identifizieren können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die digitale Welt als eine geschäftige Stadt vor, in der Informationen auf winzigen, unsichtbaren Autobahnen reisen. Jahrelang waren die Polizisten dieser Stadt – Cybersicherheitsexperten – sehr gut darin, die Bösewichte zu entdecken, indem sie die Nummernschilder der Autos (die URLs oder Webadressen) lasen, bevor diese in das Viertel einfuhren. Doch vor kurzem ist eine neue Art von Dieb eingetroffen. Anstatt ein Auto mit einem sichtbaren Nummernschild zu fahren, verteilt er mysteriöse, schwarz-weiße quadratische Aufkleber namens QR-Codes. Man kann nicht lesen, was sich hinter dem Aufkleber verbirgt, indem man ihn nur ansieht; man muss ihn mit seinem Telefon scannen, um zu sehen, wohin er führt. Dies ist die Welt des „Quishing“ (QR-Code-Phishing). Das Problem ist, dass der Dieb Sie bereits getäuscht hat, sobald Sie den Aufkleber gescannt haben und Ihr Telefon den Link öffnet. Die alten Polizeimethoden können nicht helfen, weil sie das Nummernschild nicht lesen können, bevor es zu spät ist. Also stellen Wissenschaftler eine große Frage: Können wir einen gefälschten Aufkleber allein durch das Muster der schwarz-weißen Quadrate auf dem Aufkleber selbst erkennen, ohne ihn überhaupt zu öffnen, um zu sehen, was darin steht?
Genau das wollten Fouad Trad und Ali Chehab in ihrer neuen Studie erreichen. Sie beschlossen, nicht mehr zu versuchen, die geheime Nachricht im QR-Code zu lesen, sondern den QR-Code stattdessen wie ein Kunstwerk zu behandeln. Sie fragten: „Sehen gefälschte Aufkleber anders aus als echte, auch wenn wir nicht wissen, was sie sagen?“ Um dies herauszufinden, bauten sie einen massiven Trainingsplatz auf. Sie erstellten einen Datensatz von 10.000 QR-Codes – 5.000 von sicheren Websites und 5.000 von bekannten Phishing- (Trick-) Websites. Sie stellten sicher, dass alle Codes dieselbe Größe hatten, indem sie sie alle auf identische 69-mal-69-Pixel-Quadrate druckten, sodass der einzige Unterschied im Muster der Punkte lag.
Dann brachten sie einem Team digitaler Detektive (Maschinelle-Lernmodelle) bei, auf diese Quadrate zu schauen. Sie verwendeten keine ausgeklügelten Deep-Learning-Kameras, sondern nutzten klassische Detektivwerkzeuge wie Entscheidungsbäume (Decision Trees), Random Forests und XGBoost. Sie baten diese Modelle, auf die winzigen schwarz-weißen Pixel zu schauen und zu raten: „Ist dies ein sicherer Aufkleber oder eine Falle?“ Die Ergebnisse waren aufregend. Der beste Detektiv, ein Modell namens XGBoost, konnte den Unterschied mit einem hohen Maß an Zuversicht feststellen und einen AUC-Wert von 0,9106 erzielen. Dieser Wert deutet darauf hin, dass das Betrachten der Form und des Musters des QR-Codes eine sehr effektive Methode ist, um eine Fälschung zu erkennen, selbst ohne zu wissen, was der Code sagt.
Doch die Forscher hörten dort nicht auf. Sie wollten wissen, warum die Modelle so gut waren. Sie betrachteten die „Feature Importance“, was so ist, als würde man den Detektiv fragen: „Welcher Teil des Aufklebers hat dich glauben lassen, dass er gefälscht ist?“ Sie entdeckten etwas Überraschendes: Der Großteil des Aufklebers war völlig egal. Riesige Teile des schwarz-weißen Gitters wurden von den Modellen ignoriert. Es stellte sich heraus, dass nur spezifische, winzige Regionen des QR-Codes die entscheidenden Hinweise enthielten. Indem sie die nutzlosen Teile des Bildes wegwarfen und nur die wichtigen Pixel behielten, machten sie die Detektive noch schärfer. Das LightGBM-Modell verbesserte mit dieser gestutzten Liste von Hinweisen seinen Wert auf 0,9133.
Die Arbeit schließt explizit die Idee aus, dass man den QR-Code dekodieren muss, um die Bedrohung zu finden. Die Autoren argumentieren, dass der Versuch, die URL zuerst zu lesen, gefährlich ist, da dies den Benutzer Malware aussetzen könnte, noch bevor die Bedrohung überhaupt identifiziert wurde. Sie merken auch an, dass sich ihre derzeitige Arbeit auf QR-Codes beschränkt, die Weblinks (URLs) enthalten. Sie geben zu, dass sie diese Methode noch nicht an QR-Codes getestet haben, die andere Dinge tun, wie etwa die Verbindung zu einem WLAN herzustellen oder Textnachrichten zu senden, da sie dafür noch keinen Datensatz haben. Sie schlagen jedoch vor, dass ihre Methode, da sie auf die Struktur statt auf den Inhalt schaut, auch für diese anderen Arten von Codes funktionieren könnte, aber das bleibt eine Frage für die zukünftige Forschung.
Zusammenfassend lässt diese Studie darauf schließen, dass wir einen „Pre-Scan“-Schild bauen können. Anstatt zu warten, wohin ein QR-Code führt, können wir das Muster des QR-Codes betrachten und sagen: „Dieses Muster sieht verdächtig aus; scanne es nicht.“ Obwohl die Autoren vorsichtig darauf hinweisen, dass dies ein Fundament für zukünftige Arbeiten und keine perfekte, fertige Lösung ist, zeigen ihre Ergebnisse, dass die Analyse der visuellen Struktur eines QR-Codes ein leistungsstarker, vielversprechender neuer Weg ist, um unsere digitale Stadt vor diesen hinterlistigen Aufklebern zu schützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.