Detekce stisků kláves zvukem je dosaženo umístěním odposlechového zařízení blízko cíle
Pokaždé jsem docela ohromen metodami, které jsou objeveny a/nebo vyvíjeny jak pro získávání informací, tak pro přístup k X sekci, hackování X zařízení a je to tak, že až dosud mě stále velmi fascinují ty, které jsou založeny na zvuky generované ventilátorem CPU pro získávání informací, stejně jako použití k vidění skrz stěny, mezi mnoha dalšími.
Proto mě osobně opravdu baví sdílet tento typ zpráv zde na blogu a dnes se s vámi podělím o novinku o vývoji metody vytvořené týmem výzkumníků, která je založena na detekci informací zadávaných na klávesnici s 95% přesností analýzou zvuku stisků kláves nahraných blízkým chytrým telefonem nebo zachycených blízkým mikrofonem.
Prokázaná přesnost detekce vstupu překonává všechny dosud známé metody akustické znakové analýzy , které nepoužívají jazykový model. Navrhovanou metodu lze použít například k určení zadaných hesel nebo napsaných zpráv v situacích, kdy útočník umístil svůj chytrý telefon vedle oběti nebo přijal zvukový záznam, zatímco oběť zadávala důvěrné informace (např. když se oběť během komunikace přihlásí do informačního systému pomocí hesla).
S nedávným vývojem v oblasti hlubokého učení, všudypřítomností mikrofonů a vzestupem online služeb prostřednictvím osobních zařízení představují útoky na akustické postranní kanály pro klávesnice větší hrozbu než kdykoli předtím.
Vstup je znovu vytvořen pomocí klasifikátoru založeného na modelu strojového učení, který bere v úvahu zvukové charakteristiky a úroveň hlasitosti při stisku různých kláves.
Uvádí se, že provedení útoku vyžaduje předběžné trénování modelu , které zahrnuje porovnávání vstupního zvuku s informacemi o stisknutých klávesách. V ideálním případě lze model trénovat pomocí malwaru nainstalovaného na cílovém počítači, což umožňuje simultánní nahrávání z mikrofonu a zachycení stisků kláves.
V realističtějším scénáři by mohla být data potřebná k trénování modelu shromážděna porovnáním vstupních textových zpráv se zvukem ze sady zaznamenané jako výsledek videokonference. Přesnost detekce vstupu při trénování modelu založeného na vstupní analýze videokonferencí Zoom a Skype mírně klesá na 93 % a 91,7 %.
V experimentu na trénování modelu strojového učení pomocí zvuku z konference Zoom byla každá z 36 kláves (0-9, a-z) na klávesnici stisknuta 25krát za sebou různými prsty a různou silou.
Data o zvuku každého pulzu byla transformována do obrazu se spektrogramem, který odrážel změnu frekvence a amplitudy zvuku v čase.
Spektrogramy byly pro trénování přeneseny do klasifikátoru založeného na modelu CoAtNet , který se používá pro klasifikaci obrazu v systémech strojového vidění. To znamená, že během trénování je obraz porovnáván se spektrogramem každého stisku klávesy s odpovídajícím názvem klávesy. Pro určení, které klávesy byly stisknuty daným zvukem, model CoAtNet vrací nejpravděpodobnější klávesu na základě přenášeného spektrogramu, podobně jako vrací nejpravděpodobnější popisek při rozpoznávání objektů podle jejich obrazu.
V budoucnu mají vědci v úmyslu prozkoumat možnost znovu vytvořit vstup z klávesnice nahráváním zvuku z chytrých reproduktorů a pro zlepšení přesnosti určování vstupního textu použít jazykový model, který klasifikuje vstup v kontextu celých slov.
A konečně, pokud se chcete o tomto tématu dozvědět více , podrobnosti naleznete na následujícím odkazu.