Detekcija pritiskanja tipki po zvuku postiže se postavljanjem prislušnog uređaja blizu mete
Svaki put kada sam prilično impresioniran metodama koje su otkrivene i/ili razvijene kako za dobivanje informacija tako i za pristup X odjeljku, hakiranje X uređaja i do sada me još uvijek jako fasciniraju one koje se temelje na zvukove koje generira CPU ventilator za dobivanje informacija, kao i korištenje za gledanje kroz zidove, između mnogih drugih.
Zato, osobno, jako volim dijeliti ovu vrstu vijesti ovdje na blogu iu slučaju Danas ću podijeliti vijesti o razvoj metoda da je stvorio tim istraživača koji Temelji se na otkrivanju informacija unesenih na tipkovnici 95% točan pri analizi zvuka pritiskanja tipki snimljenog obližnjim pametnim telefonom ili snimljenog obližnjim mikrofonom.
Dokazana točnost detekcije ulaza nadmašuje sve metode akustičke analize znak po simbolu otprije poznato Oni ne koriste jezični model. Predložena metoda može se koristiti, primjerice, za utvrđivanje unesenih lozinki ili utipkanih poruka, u situaciji kada je napadač stavio svoj pametni telefon pored žrtve ili dobio zvučni zapis prilikom unosa povjerljivih podataka (primjerice, kada se tijekom komunikacije žrtva logira u s lozinkom za neke informacijske sustave).
S nedavnim razvojem dubokog učenja, sveprisutnošću mikrofona i porastom online usluga putem osobnih uređaja, akustični bočni napadi predstavljaju veću prijetnju tipkovnicama nego ikad prije.
Unos se rekreira pomoću klasifikatora koji se temelji na modelu strojnog učenja koji uzima u obzir karakteristike zvuka i razinu glasnoće kada se pritisnu različite tipke.
Spominje se da za izvođenje napada potrebna je prethodna obuka modela, što zahtijeva usklađivanje ulaznog zvuka s informacijama o pritisnutim tipkama. U idealnim uvjetima, model se može trenirati pomoću zlonamjernog softvera instaliranog na napadnutom računalu, omogućujući istovremeno snimanje zvuka iz mikrofona i presretanje pritisaka na tipke.
U realističnijem scenariju, podaci potrebni za treniranje modela mogli bi se prikupiti uspoređivanjem ulaznih tekstualnih poruka sa zvukom iz skupa snimljenog kao rezultat videokonferencije. Preciznost otkrivanja unosa pri uvježbavanju modela temeljenog na analizi unosa videokonferencije Zoom i Skype lagano se smanjuje na 93% odnosno 91,7%.
U eksperimentu za treniranje modela strojnog učenja pomoću zvuka sa Zoom konferencije, svaka od 36 tipki (0-9, a-z) na tipkovnici pritisnuta je 25 puta za redom različitim prstima i različitom snagom.
Podaci o zvuku svakog pritiska transformirani su u sliku sa spektrogramom koji odražava promjenu frekvencije i amplitude zvuka tijekom vremena
spektrogrami prebačen na obuku u klasifikator temeljen na CoAtNet modelu, koji se koristi za klasifikaciju slika u sustavima umjetnog vida. To jest, tijekom treninga slika se uspoređuje sa spektrogramom svakog pritiska tipke s nazivom tipke. Za određivanje tipki pritisnutih zvukom, model CoAtNet vraća najvjerojatnije ključ na temelju odaslanog spektrograma, slično vraćanju najvjerojatnije oznake pri prepoznavanju objekata prema njihovoj slici.
U budućnosti istraživači namjeravaju istražiti mogućnost ponovnog stvaranja unosa s tipkovnice snimanjem zvuka iz pametnih zvučnika i, kako bi poboljšali točnost određivanja unosa teksta, koristiti jezični model koji klasificira unos u kontekstu cijelih riječi.
Konačno ako vas zanima više o tome, detalje možete provjeriti u sljedeći link.