Fermer Le Menu
    FORUM
    Apple

    iPhone 16 et 5 000 dollars : la sécurité Apple face au vol en 2025

    YvesPar Aucun commentaire13 Minutes de Lecture
    Close-up of a woman using a smartphone and credit card for online shopping.
    Photo de sur Pexels.

    Deux affaires signalées fin 2025 mettent en scène une carte bancaire volée utilisée dans un Apple Store et un iPhone 16 volé dont les applications ont servi à transférer de l’argent. Elles ne prouvent pas une faille précise d’Apple, mais montrent où la sécurité se brise: entre appareil, compte, banque et commerce.

    Le jardin clos et le panier à 5 000 dollars

    A San Luis Obispo, en Californie, la police recherchait en décembre 2025 un homme soupçonné d’avoir utilisé une carte bancaire volée pour acheter 5 000 dollars de produits dans un Apple Store. Le vol de la carte remontait à la fin octobre. Les autorités n’ont pas précisé quels articles avaient été achetés.

    Ce détail empêche d’en faire une démonstration technique sur la sécurité d’Apple. Le dossier montre plutôt le premier maillon de la chaîne: un moyen de paiement compromis peut être utilisé dans un commerce physique, même quand l’achat porte sur des produits Apple. 5 000 dollars dépensés avec une carte volée ne prouvent pas une faille de l’Apple Store.

    A Austin, une autre affaire datant d’octobre 2025 concernait le vol d’un iPhone 16 et d’une Rolex, pour une valeur totale estimée à près de 9 000 dollars. La police recherchait deux femmes et indiquait que plusieurs milliers de dollars avaient ensuite été transférés depuis les applications présentes sur le téléphone.

    Le mécanisme exact de ces transferts reste inconnu. On ne sait donc pas si les voleurs ont exploité le code de l’appareil, une session déjà ouverte, une application bancaire ou un autre accès. La police d’Austin a décrit le résultat, pas la méthode. Ça coince sévère pour qui voudrait transformer cette affaire en preuve d’une faiblesse précise d’iOS.

    Le benchmark ne fait pas les menottes

    Les systèmes de détection de fraude travaillent sur des volumes où les opérations légitimes sont beaucoup plus nombreuses que les transactions frauduleuses. Ce déséquilibre complique l’évaluation: un modèle peut obtenir une bonne exactitude en classant presque tout comme normal, tout en laissant passer une partie des fraudes.

    Un article publié en 2024 dans Heliyon a étudié une approche de vote pondéré combinant plusieurs classifieurs sur des données déséquilibrées. Les chercheurs ont comparé différentes méthodes d’échantillonnage, dont le suréchantillonnage, le sous-échantillonnage et des méthodes hybrides.

    Le meilleur résultat rapporté dans cette expérimentation affiche un taux de faux négatifs de 3,06 %, une précision de 98,70 %, un rappel de 96,94 %, un score F1 de 87,64 % et une AUROC de 99,36 %. Ces chiffres décrivent un protocole de recherche, pas la sécurité d’un compte Apple.

    Le score F1 ne met pas les menottes

    Le taux de faux négatifs mesure ici la part des fraudes manquées par le modèle. La précision et le rappel répondent à d’autres questions: la première s’intéresse à la proportion des alertes qui correspondent effectivement à une fraude, tandis que le second mesure la part des fraudes retrouvées.

    Un score élevé sur un jeu de données ne garantit donc pas le même résultat dans une banque, un commerce ou une période différente. Les chiffres de Heliyon sont précis, mais leur portée reste celle de l’étude et de ses données. Un benchmark ne met personne en garde à vue.

    Le modèle perd le fil, mais garde la mémoire

    Une étude publiée en 2022 dans Advances in Data Analysis and Classification s’est intéressée au changement progressif des comportements de paiement. Les chercheurs ont utilisé deux ensembles réels fournis par Worldline, comprenant plus de 30 millions et plus de 50 millions de transactions dans deux pays européens.

    Leur stratégie de modèles en ensemble cherche à conserver des connaissances anciennes et à les réutiliser lorsque certains comportements réapparaissent. Le sujet porte sur l’adaptation à l’évolution des données, pas sur un produit Apple précis. La fraude se transforme, et un système qui oublie tout à chaque changement risque de perdre des signaux utiles.

    Treize modèles, zéro carte joker

    Business professional analyzing financial data on multiple computer monitors at his workspace.
    Photo de AlphaTradeZone sur Pexels.

    Un article paru en 2021 dans Annals of Operations Research a comparé 13 méthodes statistiques et d’apprentissage automatique à partir de données publiques et de transactions réelles. L’étude a opposé des variables originales à des variables agrégées, c’est-à-dire des informations regroupées à partir de plusieurs opérations.

    Les auteurs rapportent que ces variables agrégées amélioraient le pouvoir discriminant dans leur expérimentation. Une autre publication, parue dans le numéro 2023 de l’International Journal of Information Technologypropose de traiter le déséquilibre des classes avec un regroupement par fuzzy C-means et une sélection fondée sur la similarité, au lieu de supprimer au hasard des transactions normales.

    Ces recherches ne disent pas qu’un modèle détectera chaque fraude. Elles montrent plutôt pourquoi le choix des données, la conservation de l’historique et la manière de comparer les transactions comptent autant que le classifieur retenu. Pour la rédac, c’est moins glamour qu’une keynote, mais c’est là que se joue une partie du résultat.

    Pas de One More Thing pour la sécurité

    Les deux affaires de 2025 ne permettent pas de conclure à une faille d’iOS ou d’un compte Apple. Dans le dossier de San Luis Obispo, le fait établi est l’utilisation présumée d’une carte volée dans un Apple Store. A Austin, le fait établi est le vol d’un iPhone 16 et le transfert de plusieurs milliers de dollars depuis des applications. Le chemin technique reste inconnu.

    Les études sur la fraude bancaire éclairent la partie moins visible du problème: les systèmes doivent distinguer des opérations normales et frauduleuses, suivre des comportements qui changent et exploiter des données très déséquilibrées. Elles ne transforment pas les affaires de 2025 en test grandeur nature de la sécurité Apple.

    Le dossier raconte donc moins une faille spectaculaire qu’une chaîne de dépendances. Un appareil peut être volé, une carte peut être détournée et un modèle peut rater une opération. Le jardin clos contrôle certains accès, mais il ne contrôle ni le geste du voleur ni la qualité de chaque système antifraude. Et ça, aucune keynote ne le corrige avec une animation en fondu.

    Sources et références scientifiques
    1. Stephen Silver. Crime blotter: Man sought who used stolen credit card at Apple Store. 2025.
    2. A soft voting ensemble learning approach for credit card fraud detection – PMC. Heliyon. DOI: 10.1016/j.heliyon.2024.e25466 · PMID: 38333818.
    3. 1.Shift Credit Card Processing, [Online] Available: Last accessed on 24 December 2023..
    4. 2.Kinsta Ecommerce Statistics, [Online] Available: Last accessed on 21 December 2023..
    5. 3.Unisys Security Index, [Online] Available: Last accessed on 27 December 2023..
    6. 4.Nilson Report, [Online] Available: Last accessed on 30 January 2024..
    7. 5.Jagatheesaperumal S.K., Rahouti M., Ahmad K., Al-Fuqaha A., Guizani M. The Duo of artificial intelligence and big data for industry 4.0: applications, techniques, challenges, and future research directions. IEEE Internet Things J. 2021 doi: 10.1109/JIOT.2021.3139827. [DOI] [Google Scholar]. doi:10.1109/JIOT.2021.3139827.
    8. 6.Japkowicz N., Stephen S. The class imbalance problem: a systematic study. Intell. Data Anal. 2002;6(5):429-449. doi: 10.3233/ida-2002-6504. [DOI] [Google Scholar]. doi:10.3233/ida-2002-6504.
    9. 7.He H., Garcia E.A. Learning from imbalanced data. IEEE Trans. Knowl. Data Eng. 2009;21(9):1263-1284. [Google Scholar].
    10. 8.Ganganwar V. An overview of classification algorithms for imbalanced datasets. International Journal of Emerging Technology and Advanced Engineering. 2012;2(4):42-47. [Google Scholar].
    11. 9.Tayebi M., El Kafhali S. Performance analysis of metaheuristics based hyperparameters optimization for fraud transactions detection. Evolutionary Intelligence. 2022:1-19. [Google Scholar].
    12. roline Cynthia P., Thomas George S. Intelligence in Big Data Technologies, Beyond the Hype: Proceedings of ICBDCC 2019. Springer Singapore; 2021. An outlier detection approach on credit card fraud detection using machine learning: a comparative analysis on supervised and unsupervised learning; pp. 125-135. [DOI] [Google Scholar].
    13. 11.More R., Awati C., Shirgave S., Deshmukh R., Patil S. Credit card fraud detection using supervised learning approach. International journal of scientific & technology research. 2021;9(10):216-219. [Google Scholar].
    14. enogho E., Mienye I.D., Swart T.G., Aruleba K., Obaido G. A neural network ensemble with feature engineering for Improved Credit Card Fraud Detection. IEEE Access: Practical Innovations, Open Solutions. 2022;10:16400-16407. doi: 10.1109/ACCESS.2022.3148298. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2022.3148298.
    15. The role of diversity and ensemble learning in credit card fraud detection – PMC. Advances in data analysis and classification. DOI: 10.1007/s11634-022-00515-5 · PMID: 36188101.
    16. Accenture (2020) How covid-19 will permanently change consumer behavior.
    17. Alazizi A, Habrard A, Jacquenet F, He-Guelton L, Oblé F, Siblini W (2019) Anomaly detection, consider your dataset first an illustration on fraud detection. In: 2019 IEEE 31st international conference on tools with artificial intelligence (ICTAI). IEEE, pp 1351-1355.
    18. Alippi C, Boracchi G, Roveri M. Just-in-time classifiers for recurrent concepts. IEEE Trans Neural Netw Learn Syst. 2013;24(4):620-634. doi: 10.1109/TNNLS.2013.2239309. [DOI] [PubMed] [Google Scholar]. doi:10.1109/TNNLS.2013.2239309.
    19. Ba H (2019) Improving detection of credit card fraudulent transactions using generative adversarial networks. arXiv:1907.03355.
    20. Baesens B. Analytics in a big data world: the essential guide to data science and its applications. New York: Wiley; 2014. [Google Scholar].
    21. Baesens B, Van Vlasselaer V, Verbeke W. Fraud analytics using descriptive, predictive, and social network techniques: a guide to data science for fraud detection. New York: Wiley; 2015. [Google Scholar].
    22. Baesens B, Höppner S, Verdonck T. Data engineering for fraud detection. Decis Support Syst. 2021;150:113492. doi: 10.1016/j.dss.2021.113492. [DOI] [Google Scholar]. doi:10.1016/j.dss.2021.113492.
    23. Batista GE, Carvalho AC, Monard MC (2000) Applying one-sided selection to unbalanced datasets. In: Mexican international conference on artificial intelligence. Springer, pp 315-325.
    24. Benesty J, Chen J, Huang Y, Cohen I (2009) Pearson correlation coefficient. In: Noise reduction in speech processing. Springer, pp 1-4.
    25. Bhattacharyya S, Jha S, Tharakunnel K, Westland JC. Data mining for credit card fraud: a comparative study. Decis Support Syst. 2011;50(3):602-613. doi: 10.1016/j.dss.2010.08.008. [DOI] [Google Scholar]. doi:10.1016/j.dss.2010.08.008.
    26. Bolton RJ, Hand DJ. Statistical fraud detection: a review. Stat Sci. 2002;17(3):235-255. doi: 10.1214/ss/1042727940. [DOI] [Google Scholar]. doi:10.1214/ss/1042727940.
    27. Bolton RJ, Hand DJ et al (2001) Unsupervised profiling methods for fraud detection. In: Credit scoring and credit control VII, pp 235-255.
    28. An intelligent payment card fraud detection system – PMC. Annals of operations research. DOI: 10.1007/s10479-021-04149-2 · PMID: 34121790.
    29. Ameur B, Prigent JL. Risk management of time varying floors for dynamic portfolio insurance. European Journal of Operational Research. 2018;269:363-381. doi: 10.1016/j.ejor.2018.01.041. [DOI] [Google Scholar]. doi:10.1016/j.ejor.2018.01.041.
    30. Bahnsen AC, Aouada D, Stojanovic A, Ottersten B. Feature engineering strategies for credit card fraud detection. Expert Systems with Applications. 2016;51:134-142. doi: 10.1016/wa.2015.12.030. [DOI] [Google Scholar]. doi:10.1016/j.eswa.2015.12.030.
    31. Ben Ameur H, Ftiti Z, Jawadi F, Louhichi W. Measuring extreme risk dependence between the oil and gas markets. Annals of Operations Research. 2020 doi: 10.1007/s10479-020-03796-1. [DOI] [Google Scholar]. doi:10.1007/s10479-020-03796-1.
    32. Ben Ameur H, Jawadi F, Idi Cheffou A, Louhichi W. Measurement errors in stock markets. Annals of Operations Research. 2018;262:287-306. doi: 10.1007/s10479-016-2138-z. [DOI] [Google Scholar]. doi:10.1007/s10479-016-2138-z.
    33. Bernard P, De Freitas NEM, Maillet BB. A financial fraud detection indicator for investors: an IDeA. Annals of Operations Research. 2019 doi: 10.1007/s10479-019-03360-6. [DOI] [Google Scholar]. doi:10.1007/s10479-019-03360-6.
    34. Bhattacharyya S, Jha S, Tharakunnel K, Westland JC. Data mining for credit card fraud: A comparative study. Decision Support Systems. 2011;50(3):602-613. doi: 10.1016/j.dss.2010.08.008. [DOI] [Google Scholar]. doi:10.1016/j.dss.2010.08.008.
    35. Card Fraud Worldwide, The Nilson Report, vol. 1096 (2016)..
    36. Dal Pozzolo A, Boracchi G, Caelen O, Alippi C, Bontempi G. Credit card fraud detection: A realistic modeling and a novel learning strategy. IEEE Transactions on Neural Networks and Learning Systems. 2017;29(8):3784-3797. doi: 10.1109/TNNLS.2017.2736643. [DOI] [PubMed] [Google Scholar]. doi:10.1109/TNNLS.2017.2736643.
    37. Dal Pozzolo A, Caelen O, Le Borgne YA, Waterschoot S, Bontempi G. Learned lessons in credit card fraud detection from a practitioner perspective. Expert Systems with Applications. 2014;41(10):4915-4928. doi: 10.1016/wa.2014.02.026. [DOI] [Google Scholar]. doi:10.1016/j.eswa.2014.02.026.
    38. de Sá AG, Pereira AC, Pappa GL. A customized classification algorithm for credit card fraud detection. Engineering Applications of Artificial Intelligence. 2018;72:21-29. doi: 10.1016/j.engappai.2018.03.011. [DOI] [Google Scholar]. doi:10.1016/j.engappai.2018.03.011.
    39. Dua, D., &Graff, C. (2019). UCI machine learning repository [online]. Available Irvine, CA: University of California, School of Information and Computer Science..
    40. Edge ME, Sampaio PRF. The design of FFML: A rule-based policy modelling language for proactive fraud management in financial data streams. Expert Systems with Applications. 2012;39(11):9966-9985. doi: 10.1016/wa.2012.01.143. [DOI] [Google Scholar]. doi:10.1016/j.eswa.2012.01.143.
    41. Class balancing framework for credit card fraud detection based on clustering and similarity-based selection (SBS) – PMC. International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management. DOI: 10.1007/s41870-022-00987-w · PMID: 35757149.
    42. 1.Bhutani KBH (2021) COVID-19-the inflexion point for E-commerce. Indian J Econ Bus 20(2),PP 649-659..
    43. 2.Abdelrhim M, Elsayed A (2020) The effect of COVID-19 spread on the E-commerce market: the case of the 5 Largest E-Commerce Companies in the World. In: Social Science Research Network, Rochester, NY, SSRN Scholarly Paper ID 3621166, Jun. 2020. 10.2139/ssrn.3621166.. doi:10.2139/ssrn.3621166.
    44. 3.UNCTAD (2020) COVID-19 and e-commerce: Findings from a survey of online consumers in 9 countries. [Online accessed 6-March-2022]..
    45. 4.Guthrie C, Fosso-Wamba S, Arnaud JB. Online consumer resilience during a pandemic: an exploratory study of e-commerce behavior before, during and after a COVID-19 lockdown. J Retail Consum Serv. 2021;61:102570. doi: 10.1016/j.jretconser.2021.102570. [DOI] [Google Scholar]. doi:10.1016/j.jretconser.2021.102570.
    46. 5.Wang H, Zhu P, Zou X, Qin S (2018) An ensemble learning framework for credit card fraud detection based on training set partitioning and clustering. In: 2018 IEEE SmartWorld, Ubiquitous Intelligence Computing, Advanced Trusted Computing, Scalable Computing Communications, Cloud Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), 2018, pp 94-98. 10.1109/SmartWorld.2018.00051.. doi:10.1109/SmartWorld.2018.00051.
    47. oo F, Meenakshi, Singh S. Comparison and analysis of logistic regression, Naïve Bayes and KNN machine learning algorithms for credit card fraud detection. Int J Inf Technol. 2021;13(4):1503-1511. doi: 10.1007/s41870-020-00430-y. [DOI] [Google Scholar]. doi:10.1007/s41870-020-00430-y.
    48. 7.Pozzolo AD, Caelen O, Johnson RA, Bontempi G (2015) Calibrating probability with undersampling for unbalanced classification. In: 2015 IEEE Symposium series on computational intelligence, 2015, pp 159-166. 10.1109/SSCI.2015.33. doi:10.1109/SSCI.2015.33.
    49. 8.Boutaher N, Elomri A, Abghour N, Moussaid K, Rida M (2020) A review of Credit card fraud detection using machine learning techniques. In: 2020 5th International Conference on cloud computing and artificial intelligence: technologies and applications (CloudTech), 2020, pp 1-5. 10.1109/CloudTech49835.2020.9365916.. doi:10.1109/CloudTech49835.2020.9365916.
    50. 9.Sisodia DS, Reddy NK, Bhandari S (2017) Performance evaluation of class balancing techniques for credit card fraud detection. In: 2017 IEEE International Conference on power, control, signals and instrumentation engineering (ICPCSI), 2017, pp 2747-2752. 10.1109/ICPCSI.2017.8392219. doi:10.1109/ICPCSI.2017.8392219.
    51. 10.Santoso SHH, Wibowo W. Integration of synthetic minority oversampling technique for imbalanced class. Indones J Electr Eng Comput Sci. 2019;13(1):102-108. doi: 10.11591/ijeecs.v13.i1.pp102-108. [DOI] [Google Scholar]. doi:10.11591/ijeecs.v13.i1.pp102-108.
    52. 11.Mishra A, Ghorpade C (2018) Credit card fraud detection on the skewed data using various classification and ensemble techniques. In: 2018 IEEE International Students’ Conference on Electrical, Electronics and Computer Science (SCEECS), 2018, pp 1-5. 10.1109/SCEECS.2018.8546939. doi:10.1109/SCEECS.2018.8546939.
    53. 12.Prasetiyo B, Alamsyah A, Muslim MA, Baroroh N. Evaluation performance recall and F2 score of credit card fraud detection unbalanced dataset using SMOTE oversampling technique. J Phys Conf Ser. 2021;1918(4):042002. doi: 10.1088/1742-6596/1918/4/042002. [DOI] [Google Scholar]. doi:10.1088/1742-6596/1918/4/042002.
    54. Crime blotter: Man sought who used stolen credit card at Apple Store, AppleInsider Forums.
    55. Stephen Silver. Crime blotter: Man sought who used stolen credit card at Apple Store – NewsBreak. 2025.

    Articles relatifs:

    Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !

    Connexes Postes

    Ajouter Un Commentaire
    Laisser Une Réponse