Deteksjon av tastetrykk med lyd oppnås ved å plassere en lytteenhet nær målet
Hver gang blir jeg ganske imponert over metodene som oppdages og/eller utvikles både for å skaffe informasjon og for å få tilgang til X-seksjonen, hack X-enheten, og det er at de som til nå fortsatt fascinerer meg mye er de som er basert på lyder generert av CPU-viften for å få informasjon, samt bruken av for å se gjennom vegger, blant mange andre.
Det er derfor jeg personlig liker veldig godt å dele denne typen nyheter her på bloggen og i tilfelle I dag vil jeg dele nyhetene om utviklingen av en metode at han opprettet et team av forskere som Den er basert på å oppdage informasjonen som er lagt inn på tastaturet 95 % nøyaktig når du analyserer lyden av tastetrykk tatt opp av en smarttelefon i nærheten eller plukket opp av en mikrofon i nærheten.
Påvist nøyaktighet for inndatadeteksjon utkonkurrerer alle akustiske analysemetoder tegn per symbol tidligere kjent De bruker ikke en språkmodell. Den foreslåtte metoden kan for eksempel brukes til å bestemme innlagte passord eller skrevne meldinger, i en situasjon der angriperen plasserte smarttelefonen sin ved siden av offeret eller mottok et lydopptak mens han skrev inn konfidensiell informasjon (for eksempel når offeret logger seg under kommunikasjon inn med et passord for noen informasjonssystemer).
Med den siste utviklingen innen dyp læring, allestedsnærværende mikrofoner og fremveksten av nettjenester via personlige enheter, utgjør akustiske sidekanalangrep en større trussel mot tastaturer enn noen gang før.
Inngangen gjenskapes ved hjelp av en klassifiserer basert på en maskinlæringsmodell som tar hensyn til lydegenskaper og volumnivå når forskjellige taster trykkes.
Det er nevnt at for å utføre et angrep kreves det foreløpig opplæring av modellen, som krever at inngangslyden matches med informasjon om tastene som trykkes. Under ideelle forhold kan modellen trenes opp ved hjelp av skadelig programvare installert på den angrepne datamaskinen, noe som gjør det mulig å ta opp lyd fra en mikrofon samtidig og avskjære tastetrykk.
I et mer realistisk scenario kan dataene som trengs for å trene modellen samles inn ved å matche input-tekstmeldinger med lyd fra et sett tatt opp som et resultat av en videokonferanse. Inndatadeteksjonsnøyaktighet ved opplæring av en modell basert på Zoom- og Skype-videokonferanseinngangsanalyse reduseres litt til henholdsvis 93 % og 91,7 %.
I et eksperiment for å trene en maskinlæringsmodell ved bruk av lyd fra en Zoom-konferanse, ble hver av de 36 tastene (0-9, a-z) på tastaturet trykket 25 ganger på rad med forskjellige fingre og med forskjellig kraft.
Dataene om lyden til hver presse ble forvandlet til et bilde med et spektrogram som gjenspeiler endringen i lydens frekvens og amplitude over tid
spektrogrammer overført for opplæring til en klassifiserer basert på CoAtNet-modellen, brukt for klassifisering av bilder i kunstige synssystemer. Det vil si at under trening sammenlignes bildet med spektrogrammet for hvert tastetrykk med navnet på tasten. For å bestemme tastene som trykkes av lyden, returnerer CoAtNet-modellen den mest sannsynlige nøkkelen basert på det overførte spektrogrammet, på samme måte som å returnere den mest sannsynlige etiketten når objekter gjenkjennes etter bildet.
I fremtiden har forskerne til hensikt å utforske muligheten for å gjenskape tastaturinndata ved å ta opp lyd fra smarthøyttalere og, for å forbedre nøyaktigheten av å bestemme inndatatekst, bruke en språkmodell som klassifiserer input i sammenheng med hele ord.
Endelig hvis du er interessert i å vite mer om det, kan du sjekke detaljene i følgende lenke.