Abstrak
Dengan perkembangan terkini dalam pembelajaran mendalam, keberadaan mikrofon di mana-mana, dan peningkatan layanan online melalui perangkat pribadi, serangan saluran samping akustik menghadirkan ancaman yang lebih besar terhadap keyboard daripada sebelumnya. Makalah ini menyajikan implementasi praktis dari model pembelajaran mendalam yang canggih untuk mengklasifikasikan penekanan tombol laptop, menggunakan mikrofon terintegrasi smartphone. Saat dilatih tentang penekanan tombol yang direkam oleh ponsel terdekat, pengklasifikasi mencapai akurasi 95%, akurasi tertinggi terlihat tanpa penggunaan model bahasa. Saat dilatih tentang penekanan tombol yang direkam menggunakan perangkat lunak konferensi video Zoom, akurasi mencapai 93%, yang terbaik baru untuk media. Hasil kami membuktikan kepraktisan serangan saluran samping ini melalui peralatan dan algoritme yang tersedia. Kami membahas serangkaian metode mitigasi untuk melindungi pengguna dari rangkaian serangan ini.
Abstrak asli:
With recent developments in deep learning, the ubiquity of micro-phones and the rise in online services via personal devices, acoustic side channel attacks present a greater threat to keyboards than ever. This paper presents a practical implementation of a state-of-the-art deep learning model in order to classify laptop keystrokes, using a smartphone integrated microphone. When trained on keystrokes recorded by a nearby phone, the classifier achieved an accuracy of 95%, the highest accuracy seen without the use of a language model. When trained on keystrokes recorded using the video-conferencing software Zoom, an accuracy of 93% was achieved, a new best for the medium. Our results prove the practicality of these side channel attacks via off-the-shelf equipment and algorithms. We discuss a series of mitigation methods to protect users against these series of attacks.
Sumber artikel: A Practical Deep Learning-Based Acoustic Side Channel Attack on Keyboards
