Детекција притиска на тастер звуком се постиже постављањем прислушног уређаја близу мете
Сваки пут када сам прилично импресиониран методама које су откривене и/или развијене како за добијање информација, тако и за приступ Кс секцији, хакујем Кс уређај и до сада ме још увек много фасцинирају они који су засновани на звукове које генерише ЦПУ вентилатор за добијање информација, као и коришћење за гледање кроз зидове, између многих других.
Зато, лично, веома волим да делим ову врсту вести овде на блогу иу случају Данас ћу поделити вести о развој метод да је створио тим истраживача који Заснован је на откривању информација унетих на тастатури 95% прецизно када анализирате звук притисака на тастере снимљен оближњим паметним телефоном или који је ухватио оближњи микрофон.
Доказана тачност детекције улаза надмашује све методе акустичке анализе знак по симболу раније познато Они не користе језички модел. Предложени метод се може користити, на пример, за утврђивање унетих лозинки или откуцаних порука, у ситуацији када је нападач ставио свој паметни телефон поред жртве или је добио звучни снимак приликом уноса поверљивих информација (на пример, када током комуникације жртва евидентира у са лозинком за неке информационе системе).
Са недавним развојем дубоког учења, свеприсутношћу микрофона и порастом онлајн услуга путем личних уређаја, напади на акустични бочни канал представљају већу претњу за тастатуре него икада раније.
Улаз се поново креира помоћу класификатора заснованог на моделу машинског учења који узима у обзир карактеристике звука и ниво јачине звука када се притисну различити тастери.
Помиње се да за извођење напада потребна је прелиминарна обука модела, што захтева усклађивање улазног звука са информацијама о тастерима који се притискају. У идеалним условима, модел се може обучити коришћењем малвера инсталираног на нападнутом рачунару, што омогућава истовремено снимање звука из микрофона и пресретање притисака на тастере.
У реалнијем сценарију, подаци који су потребни за обуку модела могли би се прикупити тако што би се упариле улазне текстуалне поруке са звуком из скупа снимљеног као резултат видео конференције. Прецизност детекције уноса при обучавању модела заснованог на анализи улазних података Зоом и Скипе видео конференција благо се смањује на 93% односно 91,7%.
У експерименту за обуку модела машинског учења користећи звук са Зоом конференције, сваки од 36 тастера (0-9, а-з) на тастатури је притиснут 25 пута заредом различитим прстима и различитом снагом.
Подаци о звуку сваке штампе трансформисани су у слику са спектрограмом који одражава промену фреквенције и амплитуде звука током времена
спектрограми пребачен на обуку у класификатор заснован на ЦоАтНет моделу, који се користи за класификацију слика у системима вештачког вида. То јест, током тренинга слика се упоређује са спектрограмом сваког притиска на тастер са именом тастера. Да би одредио тастере притиснуте звуком, ЦоАтНет модел враћа највероватнији тастер на основу пренетог спектрограма, слично враћању највероватније ознаке када се објекти препознају по њиховој слици.
У будућности, истраживачи намеравају да истраже могућност поновног креирања уноса са тастатуре снимањем звука са паметних звучника и, да побољшају тачност одређивања уносног текста, користе језички модел који класификује унос у контексту целих речи.
Коначно ако сте заинтересовани да сазнате више о томе, детаље можете погледати у следећи линк.