Characterising Mobile Money Phishing Attacks Using Imitation Learning Relying on Expert Demonstrations

In den geschäftigen digitalen Ökonomien Afrikas sind Mobiltelefone zu weit mehr als nur Kommunikationswerkzeugen geworden; sie sind die primären Bankkonten für Millionen von Menschen, die zuvor keinen Zugang zum traditionellen Bankwesen hatten. Dieses System ermöglicht es Nutzern, Geld sofort einzuzahlen, abzuheben und zu versenden – ein Komfort, der das tägliche Leben transformiert und das Wirtschaftswachstum auf dem Kontinent vorangetrieben hat. Doch diese rasante Expansion hat einen Schatten geworfen: Betrüger haben gelernt, das Vertrauen auszunutzen, das das System erst ermöglicht. Anstatt komplexe Computercodes zu hacken, nutzen diese Angreifer Social Engineering, eine Form der Manipulation, die Menschen dazu verleitet, ihre Passwörter preiszugeben oder bereitwillig Geld zu senden. Sie geben sich als Bankmitarbeiter oder Telekommunikationsangestellte aus, senden täuschende Textnachrichten oder führen Telefonate, um Opfer in eine Falle zu locken. Zu verstehen, wie diese Kriminellen denken und handeln, ist der erste Schritt, um sie zu stoppen, aber die Untersuchung menschlicher Täuschung ist notorisch schwierig, da sie auf unvorhersehbarem menschlichem Verhalten basiert und nicht auf festen Software-Schwachstellen.

Forscher versuchen schon lange, diese Angriffe mit Computerprogrammen zu modellieren, die durch Versuch und Irrtum lernen, eine Methode, die als Reinforcement Learning (bestärkendes Lernen) bekannt ist. Bei diesem Ansatz probiert ein Computer-Agent verschiedene Aktionen aus, um zu sehen, was eine Belohnung einbringt, ganz ähnlich wie ein Hund, der lernt, sich zu setzen, um eine Belohnung zu erhalten. Diese Methode hat jedoch oft Schwierigkeiten, wenn die „Belohnung“ schwer zu definieren ist, wie etwa das komplexe, sich ständig ändernde Ziel eines menschlichen Betrügers, der sich an das Zögern oder Misstrauen eines Opfers anpasst. Eine neue Studie eines Forscherteams aus Kamerun, Ruanda und der Zentralafrikanischen Republik schlägt einen anderen Weg vor. Anstatt einem Computer beizubringen, was ein Betrüger will, entschieden sie sich dafür, ihm beizubringen, das zu kopieren, was ein Betrüger tatsächlich tut. Indem sie den Angreifer als Experten behandelten und eine Technik namens Imitation Learning (Imitationslernen) verwendeten, baute das Team ein Modell auf, das direkt aus Beispielen echter Angriffsverhaltensweisen lernt und so die Notwendigkeit umgeht, die Regeln der Täuschung manuell zu programmieren.

Die Forscher begannen damit, einen Mobile-Money-Phishing-Angriff in eine einfache, vierstufige Reise zu unterteilen. Die erste Stufe ist der Erstkontakt, bei dem der Betrüger Informationen sammelt und eine gefälschte Nachricht sendet oder einen Anruf tätigt. Die zweite Stufe ist die Vulnerabilitätsphase (Verletzlichkeitsphase), in der der Angreifer versucht, Vertrauen aufzubauen und die Emotionen des Opfers zu sondieren. Wenn das Opfer empfänglich erscheint, bewegt sich der Angriff in die dritte Stufe, den eigentlichen Versuch, Geld oder Daten zu stehlen. Schließlich sammelt der Angreifer in der vierten Stufe entweder die gestohlenen Gelder ein und bricht den Kontakt ab oder zieht sich zurück, falls das Opfer misstrauisch wird. Um dies zu untersuchen, schuf das Team eine simulierte Umgebung, in der sie beobachten konnten, wie ein „Experte“-Angreifer diese Phasen durchläuft und dabei auf die Reaktionen eines Opfers reagiert, die positiv (vertrauend), neutral (zögernd) oder negativ (misstrauisch) sein können. Sie speisten diese beobachteten Aktionen dann in zwei verschiedene Lernalgorithmen ein, um zu sehen, ob ein Computer lernen kann, die Strategie des Angreifers nachzuahmen.

Der erste Algorithmus, den sie testeten, wurde Behavior Cloning (Verhaltensklonung) genannt. Diese Methode funktioniert wie ein Schüler, der die Hausaufgaben eines Lehrers kopiert; sie betrachtet einen Datensatz erfolgreicher Angriffe und lernt, die nächste Bewegung des Angreifers in einer gegebenen Situation vorherzusagen. Die Ergebnisse waren weitgehend erfolgreich. Der Computer lernte, die Handlungen des Angreifers mit hoher Genauigkeit zu reproduzieren, wobei er korrekt identifizierte, dass ein Angreifer normalerweise versuchen würde, frühzeitig Kontakt aufzunehmen, und erst Geld verlangen würde, sobald Vertrauen aufgebaut wurde. Das Modell funktionierte am besten, wenn es mit einer spezifischen Lerngeschwindigkeit abgestimmt wurde, die es ihm ermöglichte, die Muster aufzunehmen, ohne verwirrt zu werden. Die Forscher stellten jedoch eine Einschränkung fest, wenn der Angriff die letzte Phase erreichte. Wenn der Betrüger kein Geld erhalten konnte, war es für das Modell schwierig vorherzusagen, ob er versuchen würde, es mit einer neuen Ausrede erneut zu versuchen, das Gespräch neu zu beginnen oder sich ganz zurückzuziehen. Dieser Verzweigungspunkt, an dem der Angreifer nach einem Rückschlag einen neuen Pfad wählen muss, erwies sich als schwierig für ein System, das lediglich vergangene Beispiele kopiert, ohne die tiefere Strategie zu verstehen.

Der zweite Ansatz, bekannt als Generative Adversarial Imitation Learning, schlug einen eher kompetitiven Weg ein. In diesem Setup spielten zwei Computerprogramme ein Spiel gegeneinander. Ein Programm, der Generator, versuchte, gefälschte Angriffsequenzen zu erstellen, die den echten ähnelten. Das andere Programm, der Diskriminator, fungierte als Richter und versuchte, den Unterschied zwischen den echten Bewegungen des Angreifers und den Fälschungen des Generators zu erkennen. Das Ziel war es, dass der Generator so gut darin wird, den Angreifer nachzuahmen, dass der Richter nicht mehr zwischen ihnen unterscheiden kann. Im Laufe von fünfzig Trainingssitzungen wurde der Richter zunehmend besser darin, die Fälschungen zu entlarven, während der Generator Schwierigkeiten hatte, seine Leistung zu steigen. Die Daten zeigten, dass die Versuche des Generators weiterhin von dem Verhalten des echten Angreifers unterscheidbar blieben, was darauf hindeutet, dass der Modell den Prozess innerhalb der erlaubten Zeit noch nicht vollständig gemeistert hatte. Dieses Ergebnis verdeutlichte eine bekannte Herausforderung bei dieser Methode: das Gleichgewicht zwischen den beiden konkurrierenden Programmen zu finden, damit der Lernende mit dem Experten Schritt halten kann.

Die Studie kommt zu dem Schluss, dass zwar keine der Methoden eine perfekte Kopie eines Betrügers hervorgebracht hat, beide jedoch einen wertvollen neuen Weg bieten, die Mechanismen des Mobile-Money-Betrugs zu verstehen. Die Forscher betonen, dass diese Modelle nicht dazu gedacht sind, als Detektoren zu fungieren, die verdächtige Nachrichten für Nutzer markieren; vielmehr sind sie Werkzeuge, um den Geist des Angreifers abzubilden. Durch den erfolgreichen Transfer der Angriffsstrategie aus Demonstrationen zeigte das Team, dass Imitation Learning eine praktikable Alternative zu den älteren Trial-and-Error-Methoden ist. Die Ergebnisse legen nahe, dass Verteidiger, um diesen Angriffen effektiv zu begegnen, verstehen müssen, welche spezifischen Schritte ein Angreifer unternimmt und wie er sich an die Reaktionen eines Opfers anpasst. Die Forscher räumen ein, dass ihre Arbeit auf simulierten Daten basiert und dass zukünftige Bemühungen größere Mengen an realen Beispielen sammeln müssen, um diese Modelle zu verfeinern. Letztlich verschiebt diese Arbeit den Fokus weg vom bloßen Erkennen der Lüge hin zum Verständnis der Logik hinter der Täuschung und bietet so einen klareren Weg zur Entwicklung besserer Abwehrmechanismen für die Millionen von Menschen, die täglich auf Mobile Money angewiesen sind.