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

Nelle vivaci economie digitali dell'Africa, i telefoni cellulari sono diventati molto più che semplici strumenti di comunicazione; sono i principali conti bancari per milioni di persone che precedentemente non avevano accesso ai servizi bancari tradizionali. Questo sistema consente agli utenti di depositare, prelevare e inviare denaro istantaneamente, una comodità che ha trasformato la vita quotidiana e alimentato la crescita economica in tutto il continente. Tuttavia, questa rapida espansione ha gettato un'ombra: gli imbroglioni hanno imparato a sfruttare proprio la fiducia che rende possibile il sistema. Invece di hackerare complessi codici informatici, questi attaccanti utilizzano l'ingegneria sociale, una forma di manipolazione che inganna le persone per rivelare le proprie password o inviare denaro volontariamente. Si spacciano per funzionari bancari o operatori di telecomunicazioni, inviando messaggi di testo ingannevoli o effettuando chiamate telefoniche per attirare le vittime in una trappola. Comprendere come ragionano e agiscono questi criminali è il primo passo per fermarli, ma studiare l'inganno umano è notoriamente difficile perché si basa sul comportamento umano imprevedibile piuttosto che su vulnerabilità software fisse.

Da tempo i ricercatori cercano di modellare questi attacchi utilizzando programmi informatici che imparano per tentativi ed errori, un metodo noto come apprendimento per rinforzo (reinforcement learning). In questo approccio, un agente informatico prova diverse azioni per vedere cosa genera una ricompensa, molto simile a un cane che impara a sedersi per ricevere un premio. Tuttavia, questo metodo incontra spesso difficoltà quando la "ricompensa" è difficile da definire, come il complesso e mutevole obiettivo di un imbroglione che si adatta all'esitazione o al sospetto della vittima. Un nuovo studio di un team di ricercatori in Camerun, Ruanda e Repubblica Centrafricana propone una strada diversa. Invece di insegnare a un computer a indovinare cosa vuole un imbroglione, hanno deciso di insegnargli a copiare ciò che un imbroglione fa realmente. Trattando l'attaccante come un esperto e utilizzando una tecnica chiamata apprendimento per imitazione (imitation learning), il team ha costruito un modello che apprende direttamente dagli esempi di comportamenti di attacco reali, bypassando la necessità di programmare manualmente le regole dell'inganno.

I ricercatori hanno iniziato scomponendo un attacco di phishing tramite mobile money in un semplice percorso in quattro fasi. La prima fase è il contatto iniziale, in cui l'imbroglione raccoglie informazioni e invia un messaggio falso o effettua una chiamata. La seconda fase è la fase di vulnerabilità, in cui l'attaccante cerca di costruire fiducia e sondare le emozioni della vittima. Se la vittima sembra ricettiva, l'attacco passa alla terza fase, il tentativo effettivo di rubare denaro o dati. Infine, nella quarta fase, l'attaccante incassa i fondi rubati e interrompe i contatti oppure si ritira se la vittima diventa sospettosa. Per studiare questo, il team ha creato un ambiente simulato in cui potevano osservare come un attaccante "esperto" navigasse in queste fasi, reagendo alle risposte della vittima, che potevano essere positive (fiducia), neutre (esitazione) o negative (sospetto). Hanno poi inserito queste azioni osservate in due diversi algoritmi di apprendimento per vedere se un computer potesse imparare a imitare la strategia dell'attaccante.

Il primo algoritmo testato era chiamato Behavior Cloning (clonazione del comportamento). Questo metodo funziona come uno studente che copia i compiti di un insegnante: osserva un insieme di dati di attacchi riusciti e impara a prevedere la mossa successiva che l'attaccante farebbe in una determinata situazione. I risultati sono stati ampiamente positivi. Il computer ha imparato a riprodurre le azioni dell'attaccante con alta precisiono, identificando correttamente che un attaccante cercherebbe solitamente di stabilire un contatto nelle fasi iniziali e chiederebbe denaro solo una volta stabilita la fiducia. Il modello ha performato meglio quando è stato calibrato con una specifica velocità di apprendimento, permettendogli di assorbire i pattern senza confondersi. Tuttavia, i ricercatori hanno notato un limite quando l'attacco raggiungeva la fase finale. Se l'imbroglione non riusciva a ottenere il denaro, la decisione se provare di nuovo con una nuova scusa, riavviare la conversazione o rinunciare del tutto risultava difficile da prevedere per il modello. Questo punto di diramazione, in cui l'attaccante deve scegliere un nuovo percorso dopo un intoppo, si è rivelato complicato per un sistema che si limita a copiare esempi passati senza comprenderne la strategia più profonda.

Il secondo approccio, noto come Generative Adversarial Imitation Learning, ha intrapreso una via più competitiva. In questa configurazione, due programmi informatici giocavano l'uno contro l'altro. Un programma, il generatore, cercava di creare sequenze di attacco false che sembrassero quelle reali. L'altro programma, il discriminatore, agiva come un giudice, cercando di distinguere tra le mosse del vero attaccante e i falsi del generatore. L'obiettivo era che il generatore diventasse così bravo a imitare l'attaccante da rendere impossibile per il giudice distinguerli. Nel corso di cinquanta sessioni di addestramento, il giudice è diventato sempre più capace di individuare i falsi, mentre il generatore ha faticato a migliorare le sue prestazioni. I dati hanno mostrato che i tentativi del generatore rimanevano distinguibili dal comportamento del vero attaccante, indicando che il modello non aveva ancora padroneggiato completamente la strategia entro il tempo concesso. Questo risultato ha evidenziato una sfida nota con questo metodo: bilanciare i due programmi in competizione affinché l'apprendista possa raggiungere il livello dell'esperto.

Lo studio conclude che, sebbene nessuno dei due metodi abbia prodotto una replica perfetta di un imbroglione, entrambi offrono un modo prezioso per comprendere la meccanica delle frodi tramite mobile money. I ricercatori sottolineano che questi modelli non sono progettati per agire come rilevatori che segnalano messaggi sospetti agli utenti; piuttosto, sono strumenti per mappare la mente dell'attaccante. Dimostrando di poter apprendere con successo la strategia dell'attaccante tramite dimostrazioni, il team ha provato che l'apprendimento per imitazione è un'alternativa valida ai vecchi metodi basati su tentativi ed errori. I risultati suggeriscono che, per contrastare efficacemente questi attacchi, i difensori devono comprendere i passaggi specifici che un attaccante compie e come questi si adattano alle reazioni della vittima. I ricercatori riconoscono che il loro lavoro si basa su dati simulati e che gli sforzi futuri dovranno raccogliere set di dati reali più ampi per perfezionare questi modelli. In definitiva, questo lavoro sposta l'attenzione dal semplice individuare la menzogna al comprendere la logica dietro l'inganno, offrendo una via più chiara verso lo sviluppo di difese migliori per i milioni di persone che ogni giorno si affidano al mobile money.