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

Dans les économies numériques en plein essor de l'Afrique, les téléphones portables sont devenus bien plus que de simples outils de communication ; ils constituent les comptes bancaires principaux de millions de personnes qui n'avaient auparavant aucun accès aux services bancaires traditionnels. Ce système permet aux utilisateurs de déposer, de retirer et d'envoyer de l'argent instantanément, une commodité qui a transformé la vie quotidienne et stimulé la croissance économique à travers le continent. Cependant, cette expansion rapide a jeté une ombre : des escrocs ont appris à exploiter la confiance même qui fait fonctionner le système. Au lieu de pirater des codes informatiques complexes, ces attaquants utilisent l'ingénierie sociale, une forme de manipulation qui trompe les gens pour les inciter à révéler leurs mots de passe ou à envoyer de l'argent volontairement. Ils se font passer pour des agents bancaires ou des employés de télécoms, envoyant des messages textuels trompeurs ou passant des appels téléphoniques pour attirer les victimes dans un piège. Comprendre comment ces criminels pensent et agissent est la première étape pour les arrêter, mais l'étude de la tromperie humaine est notoirement difficile car elle repose sur un comportement humain imprévisible plutôt que sur des vulnérabilités logicielles fixes.

Les chercheurs tentent depuis longtemps de modéliser ces attaques à l'aide de programmes informatiques qui apprennent par essais et erreurs, une méthode connue sous le nom d'apprentissage par renforcement. Dans cette approche, un agent informatique essaie différentes actions pour voir ce qui procure une récompense, un peu comme un chien apprenant à s'asseoir pour une friandise. Cependant, cette méthode rencontre souvent des difficultés lorsque la « récompense » est difficile à définir, comme l'objectif complexe et changeant d'un escroc qui s'adapte à l'hésitation ou à la suspicion d'une victime. Une nouvelle étude menée par une équipe de chercheurs au Cameroun, au Rwanda et en République centrafricaine propose une voie différente. Au lieu d'apprendre à un ordinateur à deviner ce qu'un escroc veut, ils ont décidé de lui apprendre à copier ce qu'un escroc fait réellement. En traitant l'attaquant comme un expert et en utilisant une technique appelée apprentissage par imitation, l'équipe a construit un modèle qui apprend directement à partir d'exemples de comportements d'attaque réels, évitant ainsi la nécessité de programmer manuellement les règles de la tromperie.

Les chercheurs ont commencé par décomposer une attaque de phishing sur le mobile money en un parcours simple en quatre étapes. La première étape est le contact initial, où l'escroc recueille des informations et envoie un faux message ou passe un appel. La deuxième étape est la phase de vulnérabilité, où l'attaquant tente de construire la confiance et de jauger les émotions de la victime. Si la victime semble réceptive, l'attaque passe à la troisième étape, la tentative réelle de voler de l'argent ou des données. Enfin, dans la quatrième étape, l'attaquant collecte soit les fonds volés et coupe le contact, soit se retire si la victime devient suspicieuse. Pour étudier cela, l'équipe a créé un environnement simulé où elle pouvait observer comment un attaquant « expert » naviguerait à travers ces étapes, réagissant aux réponses d'une victime, qui pourraient être positives (confiance), neutres (hésitation) ou négatives (suspicion). Ils ont ensuite injecté ces actions observées dans deux algorithmes d'apprentissage différents pour voir si un ordinateur pouvait apprendre à imiter la stratégie de l'attaquant.

Le premier algorithme qu'ils ont testé s'appelle le Clonage de Comportement (Behavior Cloning). Cette méthode fonctionne comme un élève copiant les devoirs d'un professeur ; elle examine un ensemble de données d'attaques réussies et apprend à prédire le prochain mouvement que l'attaquant ferait dans une situation donnée. Les résultats ont été largement concluants. L'ordinateur a appris à reproduire les actions de l'attaquant avec une grande précision, identifiant correctement qu'un attaquant essaierait généralement d'établir un contact tôt et ne demanderait de l'argent qu'une fois la confiance établie. Le modèle a obtenu les meilleurs résultats lorsqu'il était ajusté avec une vitesse d'apprentissage spécifique, lui permettant d'absorber les schémas sans s'embrouiller. Cependant, les chercheurs ont remarqué une limite lorsque l'attaque atteignait la phase finale. Si l'escroc échouait à obtenir l'argent, la décision de réessayer avec une nouvelle excuse, de redémarrer la conversation ou d'abandonner complètement était difficile à prédire pour le modèle. Ce point de bifurcation, où l'attaquant doit choisir un nouveau chemin après un revers, s'est avéré complexe pour un système qui se contente de copier des exemples passés sans comprendre la stratégie profonde.

La seconde approche, connue sous le nom d'Apprentissage par Imitation Adversaire Génératif (Generative Adversarial Imitation Learning), a pris une voie plus compétitive. Dans cette configuration, deux programmes informatiques jouaient l'un contre l'autre. Un programme, le générateur, essayait de créer de fausses séquences d'attaque qui ressemblaient aux vraies. L'autre, le discriminateur, agissait comme un juge, essayant de distinguer les mouvements du véritable attaquant des faux du générateur. L'objectif était que le générateur devienne si bon pour imiter l'attaquant que le juge ne puisse plus faire la différence entre eux. Au cours de cinquante sessions d'entraînement, le juge est devenu de plus en plus performant pour repérer les faux, tandis que le générateur peinait à améliorer ses performances. Les données ont montré que les tentatives du générateur restaient distinguables du comportement du véritable attaquant, indiquant que le modèle n'avait pas encore pleinement maîtrisé la stratégie dans le temps imparti. Ce résultat a mis en évidence un défi connu de cette méthode : l'équilibre entre les deux programmes concurrents pour que l'apprenant puisse rattraper l'expert.

L'étude conclut que, bien qu'aucune des deux méthodes n'ait produit une réplique parfaite d'un escroc, les deux offrent une nouvelle voie précieuse pour comprendre la mécanique de la fraude au mobile money. Les chercheurs soulignent que ces modèles ne sont pas conçus pour agir comme des détecteurs qui signaleraient les messages suspects aux utilisateurs ; ce sont plutôt des outils pour cartographier l'esprit de l'attaquant. En apprenant avec succès la stratégie de l'attaquant à partir de démonstrations, l'équipe a démontré que l'apprentissage par imitation est une alternative viable aux anciennes méthodes par essais et erreurs. Les conclusions suggèrent que pour contrer efficacement ces attaques, les défenseurs doivent comprendre les étapes spécifiques qu'un attaquant suit et comment il s'adapte aux réactions d'une victime. Les chercheurs reconnaissent que leur travail est basé sur des données simulées et que les efforts futurs devront rassembler des ensembles plus vastes d'exemples réels pour affiner ces modèles. En fin de compte, ce travail déplace l'attention du simple fait de repérer le mensonge vers la compréhension de la logique derrière la tromperie, offrant une voie plus claire vers le développement de meilleures défenses pour les millions de personnes qui dépendent quotidiennement du mobile money.