La detecció de pulsacions de teclat per so s'aconsegueix en col·locar un dispositiu d'escolta proper a l'objectiu
Cada vegada m'impressiona força els mètodes que són descoberts i/o desenvolupats tant per obtenir informació com per accedir a X apartat, hackejar X dispositiu i és que fins al moment dels que encara em fascinen força són els que es basen en els sons generats pel fan del CPU per obtenir informació, així com també l'ús del per veure a través de les parets, entre d'altres.
És per això, que de manera personal m'agrada molt compartir aquest tipus de notícies aquí al bloc i en el cas del dia d'avui us compartiré la notícia sobre el desenvolupament de un mètode que creo un equip d'investigadors el qual es basa en detectar la informació ingressada al teclat amb un 95% de precisió en analitzar el so de les pulsacions de tecles registrades amb un telèfon intel·ligent proper o captades per un micròfon proper.
La precisió de detecció d'entrada demostrada supera tots els mètodes d'anàlisi acústic de caràcter per símbol coneguts anteriorment que no utilitzen un model de llenguatge. El mètode proposat es pot utilitzar, per exemple, per determinar contrasenyes ingressades o missatges escrits, en una situació en què l'atacant va col·locar el telèfon intel·ligent al costat de la víctima o va rebre un enregistrament de so mentre ingressava informació confidencial (per exemple, quan durant la comunicació, la víctima inicia sessió amb una contrasenya per a alguns sistemes d'informació).
Amb els desenvolupaments recents en laprenentatge profund, la ubiqüitat dels micròfons i laugment dels serveis en línia a través de dispositius personals, el costat acústic els atacs de canal presenten una major amenaça per als teclats que mai.
L'entrada es recrea fent servir un classificador basat en un model d'aprenentatge automàtic que té en compte les característiques del so i el nivell de volum quan es pressionen diferents tecles.
S'esmenta que per dur a terme un atac cal un entrenament preliminar del model, per a això cal fer coincidir el so d'entrada amb informació sobre les tecles que es pressionen. En condicions ideals, el model es pot entrenar usant malware instal·lat a l'ordinador atacada, cosa que permet gravar simultàniament el so d'un micròfon i interceptar les pulsacions de tecles.
En un escenari més realista, les dades necessàries per entrenar el model podrien recopilar-se fent coincidir els missatges de text ingressats amb lʻàudio dʻun conjunt gravat com a resultat dʻuna videoconferència. La precisió de la detecció d‟entrada quan s‟entrena un model basat en l‟anàlisi d‟entrada en videoconferències de Zoom i Skype disminueix lleugerament i és del 93 % i el 91,7 %, respectivament.
En un experiment per entrenar un model d'aprenentatge automàtic usant àudio d'una conferència de Zoom, cadascuna de les 36 tecles (0-9, az) del teclat es va pressionar 25 vegades seguides amb diferents dits i força força.
Les dades sobre el so de cada pulsació es van transformar en una imatge amb un espectrograma que reflectia el canvi a la freqüència i l'amplitud del so al llarg del temps
Els espectrogrames es van transferir per a entrenament a un classificador basat en el model CoAtNet, utilitzat per a la classificació d'imatges en sistemes de visió artificial. És a dir, durant l'entrenament es compara la imatge amb l'espectrograma de cada clic amb el nom de la tecla. Per determinar les tecles pressionades pel so, el model CoAtNet retorna la tecla més probable en funció de l'espectrograma transmès, semblant a tornar l'etiqueta més probable en reconèixer objectes per la imatge.
En el futur, els investigadors tenen la intenció d'explorar la possibilitat de recrear l'entrada del teclat mitjançant l'enregistrament del so dels altaveus intel·ligents i per millorar la precisió de determinar el text d'entrada utilitzar un model de llenguatge que classifiqui l'entrada en el context de paraules completes.
Finalment si estàs interessat en poder conèixer més a l'respecte, Pots consultar els detalls al següent enllaç.