Araştırmacılar, kullanıcı girişini, gürültü olan ortamlar gibi kötü koşullarda bile yazma modellerine göre çıkarabilen klavyelere yeni bir akustik yan kanal saldırısı gösterdiler.
Yöntem, geçmişte sunulan diğer yöntemlerden önemli ölçüde daha düşük olan ortalama%43'lük bir başarı oranı elde etse de, kontrollü kayıt koşulları veya belirli bir yazma platformu gerektirmez.
Bu, gerçek saldırılarda daha uygulanabilir hale getirir ve bazı hedefe özgü parametrelere bağlı olarak, bazı yakalama sonrası analizlerle genel hedefin girdisini deşifre etmek için yeterli güvenilir veri üretebilir.
ABD'deki Augusta Üniversitesi'nden araştırmacılar Alireza Taheritajar ve Reza Rahaeimehr, benzersiz akustik yan kanal yöntemlerinin ayrıntılarını sunan teknik bir makale yayınladılar.
Saldırı, farklı tuş vuruşlarının ayırt edici ses emisyonlarından ve bir veri kümesi toplamak için uzmanlaşmış yazılım tarafından yakalanan kullanıcıların yazma modelinden yararlanır.
Belirli tuş vuruşlarının ve kelimelerin ses dalgaları ile ilişkilendirilebilmesi için hedeften bazı yazım numuneleri toplamak çok önemlidir.
Makale, metin yakalamak için olası yöntemleri araştırıyor, ancak kötü amaçlı yazılım, kötü amaçlı web siteleri veya tarayıcı uzantıları, tehlikeye atılmış uygulamalar, siteler arası komut dosyası veya tehlikeye atılmış USB klavyeleri olabilir.
Hedefin yazılması, yakınlarında gizli bir mikrofon kullanılarak veya akıllı telefonlar, dizüstü bilgisayarlar veya akıllı hoparlörler gibi yakınlıkta uzlaşmış cihazlar kullanılarak kaydedilebilir.
Yakalanan veri kümesi, çeşitli koşullar altında yazma örneklerini içerir, bu nedenle saldırının başarısı için çok önemli olan birden fazla yazma oturumu kaydedilmelidir. Ancak araştırmacılar, veri kümesinin özellikle büyük olması gerekmediğini söylüyor.
Veri kümesi daha sonra, tuş vurguları arasındaki zaman aralıklarına dayanarak, hedefin bireysel yazma modellerinin kapsamlı bir profilini üreten istatistiksel bir modeli eğitmek için kullanılır.
Araştırmacılar, istatistiksel model için% 5 sapmayı kabul etmenin çok önemli olduğunu buldular, çünkü yazma davranışı bir kişi aynı kelimeyi iki kez yazsa bile biraz değişiyor.
Örneğin, A ve B arasında 95 milisaniye (%100 - 5) ile 105 milisaniye (%100 + 5) arasında kaydedilen herhangi bir aralık, bir eşleşme olarak düşünülebilir.
Sapma ayrıca, kayıttaki hataların veya gürültünün etkisini azaltmaya yardımcı olur ve küçük tutarsızlıkların uyumsuzluğa yol açmamasını sağlar.
Yöntem, klavye aktivitesinin ses kayıtlarını analiz ederek yazılan metni, bir İngilizce sözlüğü yoluyla tahminleri filtrelemeyle arttırarak öngörür.
Saldırıyı diğer yaklaşımlara kıyasla farklı kılan şey,:
Öte yandan, yöntemin bazen saldırıyı etkisiz hale getiren sınırlamaları vardır.
Örneğin, nadiren bir bilgisayar kullanan ve tutarlı bir yazma deseni veya çok hızlı yazan profesyonel daktilolar geliştiren kişilerin profillenmesi zor olabilir.
20 test denek için test sonuçları,% 15 ila% 85'e kadar geniş bir başarı yelpazesi üretti, bu da bazı denekleri diğerlerinden çok daha öngörülebilir ve duyarlı hale getirdi.
Araştırmacılar ayrıca, üretilen dalga formunun genliğinin, tahmin modeli için eğitim etkinliğini engelleyebilen ve tuş vuruşu algılama oranlarını düşürebilen sessiz klavyeler (membran bazlı veya ses nemlendiricisi ile mekanik anahtarlar) kullanılırken daha az vurgulandığını belirtti.
Yeni akustik saldırı,% 95 doğrulukla tuş vuruşlarından verileri çalıyor
Voltschemer saldırıları sesli komutları enjekte etmek için kablosuz şarj cihazları kullanıyor, telefonları kızartıyor
Kaynak: Bleeping Computer