Detektering av tangenttryckningar genom ljud uppnås genom att placera en lyssningsapparat nära målet
Varje gång blir jag ganska imponerad av de metoder som upptäcks och/eller utvecklas både för att få information och för att komma åt X-sektionen, hacka X-enheten och det är att de som fortfarande fascinerar mig mycket är de som är baserade på ljud som genereras av CPU-fläkten för att få information, samt användningen av för att se genom väggar, bland många andra.
Det är därför jag personligen väldigt gärna delar med mig av den här typen av nyheter här på bloggen och i fallet med Idag ska jag dela med mig av nyheterna om utvecklingen av en metod att han skapade ett team av forskare som Den bygger på att detektera informationen som skrivs in på tangentbordet 95 % exakt när man analyserar ljudet av tangenttryckningar som spelats in av en närliggande smartphone eller som fångas upp av en närliggande mikrofon.
Bevisad noggrannhet för ingångsdetektering överträffar alla akustiska analysmetoder tecken per symbol tidigare känt De använder ingen språkmodell. Den föreslagna metoden kan till exempel användas för att fastställa inmatade lösenord eller inskrivna meddelanden, i en situation där angriparen placerade sin smartphone bredvid offret eller fick en ljudinspelning medan han skrev in konfidentiell information (till exempel när offret loggar under kommunikationen in med ett lösenord för vissa informationssystem).
Med den senaste utvecklingen inom djupinlärning, mikrofonernas allestädes närvarande, och uppkomsten av onlinetjänster via personliga enheter, utgör akustiska sidokanalattacker ett större hot mot tangentbord än någonsin tidigare.
Ingången återskapas med hjälp av en klassificerare baserad på en maskininlärningsmodell som tar hänsyn till ljudegenskaper och volymnivå när olika tangenter trycks ned.
Det nämns det för att utföra ett angrepp krävs preliminär träning av modellen, vilket kräver att ingångsljudet matchas med information om tangenterna som trycks ned. Under idealiska förhållanden kan modellen tränas med skadlig programvara installerad på den attackerade datorn, vilket gör det möjligt att samtidigt spela in ljud från en mikrofon och avlyssna tangenttryckningar.
I ett mer realistiskt scenario kan de data som behövs för att träna modellen samlas in genom att matcha inmatade textmeddelanden med ljud från en uppsättning inspelad som ett resultat av en videokonferens. Indatadetekteringsnoggrannheten vid träning av en modell baserad på Zoom- och Skype-videokonferensinmatningsanalys minskar något till 93 % respektive 91,7 %.
I ett experiment för att träna en maskininlärningsmodell med hjälp av ljud från en Zoom-konferens, trycktes var och en av de 36 tangenterna (0-9, a-z) på tangentbordet 25 gånger i rad med olika fingrar och med olika kraft.
Uppgifterna om ljudet från varje press omvandlades till en bild med ett spektrogram som återspeglar förändringen i ljudets frekvens och amplitud över tiden
spektrogram överförs för utbildning till en klassificerare baserad på CoAtNet-modellen, används för klassificering av bilder i artificiella synsystem. Det vill säga, under träning jämförs bilden med spektrogrammet för varje tangenttryckning med namnet på tangenten. För att bestämma tangenterna som trycks ned av ljudet, returnerar CoAtNet-modellen den mest sannolika nyckeln baserat på det överförda spektrogrammet, liknande det att returnera den mest sannolika etiketten när man känner igen objekt genom deras bild.
I framtiden avser forskarna att undersöka möjligheten att återskapa tangentbordsinmatning genom att spela in ljud från smarta högtalare och, för att förbättra noggrannheten vid bestämning av inmatad text, använda en språkmodell som klassificerar inmatning i sammanhang med hela ord.
Slutligen om du är intresserad av att veta mer om detkan du kontrollera detaljerna i följande länk.