Taustiņu nospiešanas noteikšana pēc skaņas tiek panākta, novietojot klausīšanās ierīci tuvu mērķim
Katru reizi, kad mani ļoti iespaido metodes, kas tiek atklātas un/vai izstrādātas gan informācijas iegūšanai, gan piekļuvei X sadaļai, uzlauzt X ierīci, un līdz šim mani joprojām ļoti fascinē tās, kuru pamatā ir skaņas, ko ģenerē CPU ventilators, lai iegūtu informāciju, kā arī izmantošana, lai redzētu cauri sienām, cita starpā.
Tieši tāpēc man personīgi ļoti patīk dalīties ar šāda veida jaunumiem šeit, blogā un gadījumā Šodien padalīšos ar jaunumiem par attīstība metode ka viņš izveidoja pētnieku komandu, kas Tas ir balstīts uz tastatūrā ievadītās informācijas noteikšanu 95% precīza, analizējot taustiņsitienu skaņu, ko ierakstījis tuvumā esošs viedtālrunis vai uztver blakus esošais mikrofons.
Pierādīta ievades noteikšanas precizitāte pārspēj visas akustiskās analīzes metodes rakstzīme uz vienu simbolu iepriekš zināms Viņi neizmanto valodas modeli. Piedāvāto metodi var izmantot, piemēram, lai noteiktu ievadītās paroles vai rakstītās ziņas situācijā, kad uzbrucējs nolicis savu viedtālruni blakus cietušajam vai saņēmis skaņas ierakstu, ievadot konfidenciālu informāciju (piemēram, saziņas laikā upuris piesakās ar paroli dažām informācijas sistēmām).
Ņemot vērā jaunākos sasniegumus dziļās mācīšanās jomā, mikrofonu visuresamību un tiešsaistes pakalpojumu pieaugumu, izmantojot personīgās ierīces, akustisko sānu kanālu uzbrukumi rada lielākus draudus tastatūrām nekā jebkad agrāk.
Ievade tiek atjaunota, izmantojot klasifikatoru, kura pamatā ir mašīnmācīšanās modelis, kurā tiek ņemtas vērā skaņas īpašības un skaļuma līmenis, kad tiek nospiesti dažādi taustiņi.
Tas ir minēts lai veiktu uzbrukumu, nepieciešama modeļa iepriekšēja apmācība, kas prasa saskaņot ievades skaņu ar informāciju par nospiestajiem taustiņiem. Ideālos apstākļos modeli var apmācīt, izmantojot uzbruktajā datorā instalētu ļaunprogrammatūru, kas ļauj vienlaikus ierakstīt skaņu no mikrofona un pārtvert taustiņu nospiešanu.
Reālistiskākā scenārijā modeļa apmācīšanai nepieciešamos datus varētu savākt, saskaņojot ievades īsziņas ar audio no komplekta, kas ierakstīts videokonferences rezultātā. Ievades noteikšanas precizitāte, apmācot modeli, kura pamatā ir Zoom un Skype videokonferences ievades analīze, nedaudz samazinās līdz attiecīgi 93% un 91,7%.
Eksperimentā, lai apmācītu mašīnmācīšanās modeli, izmantojot tālummaiņas konferences audio, katrs no 36 tastatūras taustiņiem (0–9, a–z) tika nospiests 25 reizes pēc kārtas ar dažādiem pirkstiem un ar atšķirīgu spēku.
Dati par katras preses skaņu tika pārveidoti attēlā ar spektrogrammu, kas atspoguļo skaņas frekvences un amplitūdas izmaiņas laika gaitā
spektrogrammas pārcelts apmācībai uz klasifikatoru, kas balstīts uz CoAtNet modeli, ko izmanto attēlu klasificēšanai mākslīgās redzes sistēmās. Tas ir, apmācības laikā attēls tiek salīdzināts ar katra taustiņa nospiešanas spektrogrammu ar taustiņa nosaukumu. Lai noteiktu skaņas nospiestos taustiņus, CoAtNet modelis atgriež visticamāko taustiņu, pamatojoties uz pārraidīto spektrogrammu, līdzīgi kā visticamākās etiķetes atgriešana, atpazīstot objektus pēc to attēla.
Nākotnē pētnieki plāno izpētīt iespēju atjaunot tastatūras ievadi, ierakstot skaņu no viedajiem skaļruņiem, un, lai uzlabotu ievades teksta noteikšanas precizitāti, izmantot valodas modeli, kas klasificē ievadi veselu vārdu kontekstā.
Beidzot ja jūs interesē uzzināt vairāk par to, sīkāku informāciju varat pārbaudīt šī saite.