Detectie van toetsaanslagen door middel van geluid wordt bereikt door een afluisterapparaat dicht bij het doelwit te plaatsen
Elke keer ben ik behoorlijk onder de indruk van de methoden die worden ontdekt en / of ontwikkeld, zowel om informatie te verkrijgen als om toegang te krijgen tot X-sectie, X-apparaat te hacken en het is dat degenen die me tot nu toe nog steeds erg fascineren, degenen zijn die gebaseerd zijn op de geluiden die door de CPU-ventilator worden gegenereerd om informatie te verkrijgen, evenals het gebruik van de om onder andere door muren te kijken.
Daarom deel ik persoonlijk dit soort nieuws heel graag hier op de blog en in het geval van Vandaag deel ik het nieuws over de ontwikkeling van een methode dat hij een team van onderzoekers creëerde die Het is gebaseerd op het detecteren van de informatie die op het toetsenbord is ingevoerd 95% nauwkeurig bij het analyseren van het geluid van toetsaanslagen die zijn opgenomen door een smartphone in de buurt of opgepikt door een microfoon in de buurt.
Bewezen nauwkeurigheid van invoerdetectie presteert beter dan alle akoestische analysemethoden karakter per symbool eerder bekend Ze gebruiken geen taalmodel. De voorgestelde methode kan bijvoorbeeld worden gebruikt om ingevoerde wachtwoorden of getypte berichten te achterhalen, in een situatie waarin de aanvaller zijn smartphone naast het slachtoffer heeft gelegd of een geluidsopname heeft ontvangen tijdens het invoeren van vertrouwelijke informatie (bijvoorbeeld wanneer het slachtoffer tijdens communicatie in met een wachtwoord voor sommige informatiesystemen).
Met recente ontwikkelingen op het gebied van deep learning, de alomtegenwoordigheid van microfoons en de opkomst van online diensten via persoonlijke apparaten, vormen akoestische zijkanaalaanvallen een grotere bedreiging voor toetsenborden dan ooit tevoren.
De invoer wordt opnieuw gemaakt met behulp van een classificatie op basis van een machine learning-model dat rekening houdt met geluidskenmerken en het volumeniveau wanneer verschillende toetsen worden ingedrukt.
Er wordt gezegd dat om een ​​aanval uit te voeren, is voorafgaande training van het model vereist, waarvoor het ingangsgeluid moet worden afgestemd op informatie over de toetsen die worden ingedrukt. Onder ideale omstandigheden kan het model worden getraind met behulp van malware die op de aangevallen computer is geïnstalleerd, waardoor het mogelijk wordt om tegelijkertijd geluid van een microfoon op te nemen en toetsaanslagen te onderscheppen.
In een realistischer scenario kunnen de gegevens die nodig zijn om het model te trainen, worden verzameld door ingevoerde tekstberichten te matchen met audio van een set die is opgenomen als resultaat van een videoconferentie. De nauwkeurigheid van invoerdetectie bij het trainen van een model op basis van Zoom- en Skype-invoeranalyse voor videoconferenties neemt iets af tot respectievelijk 93% en 91,7%.
In een experiment om een ​​machine learning-model te trainen met behulp van audio van een Zoom-conferentie, werd elk van de 36 toetsen (0-9, a-z) op het toetsenbord 25 keer achter elkaar ingedrukt met verschillende vingers en met verschillende kracht.
De data over het geluid van elke pers werd omgezet in een beeld met een spectrogram dat de verandering in frequentie en amplitude van geluid in de loop van de tijd weergeeft
spectrogrammen voor opleiding overgeplaatst naar een classificator op basis van het CoAtNet-model, gebruikt voor de classificatie van beelden in kunstmatige zichtsystemen. Dat wil zeggen, tijdens het trainen wordt het beeld vergeleken met het spectrogram van elke toetsaanslag met de naam van de toets. Om te bepalen welke toetsen door het geluid worden ingedrukt, retourneert het CoAtNet-model de meest waarschijnlijke toets op basis van het verzonden spectrogram, vergelijkbaar met het retourneren van het meest waarschijnlijke label bij het herkennen van objecten aan de hand van hun afbeelding.
In de toekomst zijn de onderzoekers van plan de mogelijkheid te onderzoeken om toetsenbordinvoer opnieuw te creëren door geluid van slimme luidsprekers op te nemen en, om de nauwkeurigheid van het bepalen van invoertekst te verbeteren, een taalmodel te gebruiken dat invoer classificeert in de context van hele woorden.
Eindelijk als u er meer over wilt wetenkunt u de details in het volgende link.