Detekcija pritiska na tastere zvukom se postiže postavljanjem prislušnog uređaja blizu mete
Svaki put kada sam poprilično impresioniran metodama koje su otkrivene i/ili razvijene kako za dobijanje informacija tako i za pristup X sekciji, hakirajte X uređaj i do sada me još uvijek jako fasciniraju one koje se baziraju na zvukove koje generiše CPU ventilator za dobijanje informacija, kao i korišćenje za gledanje kroz zidove, između mnogih drugih.
Zato, lično, veoma volim da delim ovu vrstu vesti ovde na blogu iu slučaju Danas ću podijeliti vijesti o razvoj metoda koji je stvorio tim istraživača koji Zasnovan je na otkrivanju informacija unesenih na tastaturi 95% precizno kada analizirate zvuk pritisaka na tastere snimljen obližnjim pametnim telefonom ili koji je uhvatio obližnji mikrofon.
Dokazana tačnost detekcije ulaza nadmašuje sve metode akustičke analize znak po simbolu ranije poznato Oni ne koriste jezički model. Predložena metoda se može koristiti, na primjer, za utvrđivanje unesenih lozinki ili otkucanih poruka, u situaciji kada je napadač stavio svoj pametni telefon pored žrtve ili primio zvučni snimak prilikom unosa povjerljivih informacija (na primjer, kada tokom komunikacije žrtva evidentira sa lozinkom za neke informacione sisteme).
Sa nedavnim razvojem dubokog učenja, sveprisutnošću mikrofona i porastom online usluga putem ličnih uređaja, napadi akustičnog bočnog kanala predstavljaju veću prijetnju tastaturama nego ikada prije.
Ulaz se ponovo kreira pomoću klasifikatora zasnovanog na modelu mašinskog učenja koji uzima u obzir karakteristike zvuka i nivo jačine zvuka kada se pritisnu različiti tasteri.
To se spominje za izvođenje napada potrebna je preliminarna obuka modela, što zahtijeva usklađivanje ulaznog zvuka s informacijama o tipkama koje se pritiskaju. U idealnim uslovima, model se može obučiti pomoću malvera instaliranog na napadnutom računaru, što omogućava istovremeno snimanje zvuka iz mikrofona i presretanje pritisaka na tastere.
U realnijem scenariju, podaci koji su potrebni za obuku modela mogli bi se prikupiti upoređivanjem ulaznih tekstualnih poruka sa zvukom iz skupa snimljenog kao rezultat video konferencije. Preciznost detekcije ulaza pri obučavanju modela zasnovanog na analizi ulaznih podataka Zoom i Skype video konferencija blago se smanjuje na 93% odnosno 91,7%.
U eksperimentu za obuku modela mašinskog učenja koristeći zvuk sa Zoom konferencije, svaki od 36 tastera (0-9, a-z) na tastaturi je pritisnut 25 puta zaredom različitim prstima i različitom snagom.
Podaci o zvuku svake štampe pretvoreni su u sliku sa spektrogramom koji odražava promjenu frekvencije i amplitude zvuka tokom vremena
spektrogrami prebačen na obuku u klasifikator baziran na CoAtNet modelu, koji se koristi za klasifikaciju slika u sistemima veštačkog vida. Odnosno, tokom treninga slika se poredi sa spektrogramom svakog pritiska na taster sa imenom tastera. Da bi se odredile tipke pritisnute zvukom, CoAtNet model vraća najvjerovatniji ključ na osnovu prenesenog spektrograma, slično vraćanju najvjerovatnije oznake pri prepoznavanju objekata po njihovoj slici.
U budućnosti, istraživači namjeravaju istražiti mogućnost ponovnog kreiranja unosa sa tastature snimanjem zvuka sa pametnih zvučnika i, kako bi poboljšali preciznost određivanja unosnog teksta, koristiti jezički model koji klasifikuje unos u kontekstu cijelih riječi.
Konačno ako ste zainteresirani da saznate više o tome, detalje možete provjeriti u sljedeći link.