소리에 의한 키 입력 감지는 청취 장치를 대상 가까이에 배치하여 달성됩니다.
정보를 얻고 X 섹션에 액세스하기 위해 발견 및/또는 개발된 방법에 상당히 감명받을 때마다 X 장치를 해킹합니다. 정보를 얻기 위해 CPU 팬에서 생성되는 소리와 벽을 통해 볼 수 있는 사용 등이 있습니다.
그렇기 때문에 개인적으로 블로그에서 이런 종류의 뉴스를 공유하고 싶습니다. 오늘은 관련 소식을 전해드리겠습니다. ~의 발전 방법 그가 만든 연구원 팀은 키보드에 입력된 정보를 감지하여 근처의 스마트폰에서 녹음하거나 근처의 마이크로 포착한 키 입력 소리를 분석할 때 95% 정확합니다.
입증된 입력 감지 정확도 모든 음향 분석 방법을 능가합니다. 기호당 문자 이전에 알려진 언어 모델을 사용하지 않습니다. 제안하는 방법은 예를 들어, 공격자가 피해자 옆에 스마트폰을 두거나 기밀 정보를 입력하는 동안 녹음을 받은 상황(예: 통신 중 피해자가 로그를 남기는 경우)에서 입력된 암호 또는 입력된 메시지를 확인하는 데 사용할 수 있습니다. 일부 정보 시스템의 경우 암호로 입력).
딥 러닝의 최근 발전, 마이크의 편재성, 개인 장치를 통한 온라인 서비스의 증가로 음향 사이드 채널 공격은 그 어느 때보다 키보드에 더 큰 위협이 됩니다.
입력은 다른 키를 누를 때 소리 특성과 볼륨 수준을 고려하는 기계 학습 모델을 기반으로 하는 분류기를 사용하여 다시 생성됩니다.
언급된다 공격을 수행하려면 모델의 사전 교육이 필요합니다., 누르는 키에 대한 정보와 입력 사운드를 일치시켜야 합니다. 이상적인 조건에서 모델은 공격받은 컴퓨터에 설치된 맬웨어를 사용하여 훈련할 수 있으므로 마이크의 소리를 동시에 녹음하고 키 입력을 가로챌 수 있습니다.
보다 현실적인 시나리오에서는 입력된 문자 메시지를 화상 회의 결과로 녹음된 세트의 오디오와 일치시켜 모델을 훈련하는 데 필요한 데이터를 수집할 수 있습니다. Zoom 및 Skype 화상 회의 입력 분석을 기반으로 모델을 교육할 때 입력 감지 정확도는 각각 93% 및 91,7%로 약간 감소합니다.
Zoom 회의의 오디오를 사용하여 기계 학습 모델을 교육하는 실험에서 키보드의 36개 키(0-9, a-z)를 각각 다른 손가락과 다른 힘으로 연속 25번 눌렀습니다.
각 누름 소리에 대한 데이터를 이미지로 변환 시간 경과에 따른 소리의 주파수 및 진폭 변화를 반영하는 스펙트로그램
스펙트로그램 훈련을 위해 CoAtNet 모델에 기반한 분류기로 전송됨, 인공 시각 시스템에서 이미지 분류에 사용됩니다. 즉, 훈련 중에 이미지는 키 이름이 있는 각 키 입력의 스펙트로그램과 비교됩니다. 소리에 의해 눌린 키를 결정하기 위해 CoAtNet 모델은 이미지로 물체를 인식할 때 가장 가능성이 높은 레이블을 반환하는 것과 유사하게 전송된 스펙트로그램을 기반으로 가장 가능성이 높은 키를 반환합니다.
향후 연구원들은 스마트 스피커의 소리를 녹음하여 키보드 입력을 재현할 수 있는 가능성을 탐색하고, 입력 텍스트 판단의 정확성을 향상시키기 위해 전체 단어의 맥락에서 입력을 분류하는 언어 모델을 사용할 예정입니다.
최종적으로 그것에 대해 더 많이 알고 싶다면에서 세부 정보를 확인할 수 있습니다. 다음 링크.