Niebezpiecznik

Do tematu podsłuchiwania klawiatury powrócili naukowcy z trzech brytyjskich uczelni. Udało im się opracować zautomatyzowany atak, który osiąga wysoką skuteczność i to bez użycia modelu językowego.

Stary temat, nowy potencjał

Badacze bezpieczeństwa lubią ataki typu “side-channel”. To takie, które opierają się na interpretowaniu pobocznych sygnałów emitowanych przez urządzenie (nie tylko dźwiękowych, ale też innych np. fal elektromagnetycznych, danych o poborze prądu czy danych z sensorów). Temat jest wdzięczny bo jak nigdy otaczają nas kamery, mikrofony i sensory, a zatem zwiększa się liczba urządzeń umożliwiających rejestrowanie pobocznych sygnałów. Owszem, te sygnały trzeba poddać złożonej analizie, ale tu znów jest potencjał. “Sztuczna inteligencja” jest coraz bardziej dostępna i coraz lepiej dopracowana w różnych obszarach.

W Niebezpieczniku już przed laty pisaliśmy, że możliwe jest ustalenie tekstu wpisywanego z klawiatury na podstawie podsłuchu i analizy statystycznej. Dotąd skuteczność takich rozwiązań wynosiła od 60% do 90%, przy czym ta najwyższa skuteczność dotyczyła krótkich ciągów znaków i była wspierana analizą językową. Niektóre badania były robione ponad 10 lat temu, gdy z jednej strony klawiatury były głośniejsze, a z drugiej strony nie było tak częste, aby ktoś pisał na klawiaturze mając włączonego Zoom-a (a przecież w tej sytuacji można  wychwycić korelacje między emitowanym przez klawiaturę dźwiękiem a  widocznym na chacie tekstem). Właśnie dlatego tak ciekawe są nowe brytyjskie badania opisane w artykule A Practical Deep Learning-Based Acoustic Side Channel Attack on Keyboards.

Co analizowano i jak?

Naukowcy postanowili opracować scenariusz w pełni zautomatyzowanego, akustycznego ataku side-channel, realizowanego zarówno na miejscu jak i zdalnie. Do eksperymentu użyto komputera MacBook. Do nagrywania wciśnięć klawiszy służyła albo aplikacja Zoom (scenariusz ataku zdalnego) albo iPhone 13 położony 17 cm od latopa (scenariusz ataku lokalnego). W obu przypadkach dokonano najpierw nagrania 36 klawiszy z zestawu “0-9, a-z”. Każdy z nich nagrano 25 razy, za każdym razem zmieniając palec i siłę nacisku.

Ściereczka pod urządzeniem iPhone miała wyeliminować dodatkowe drgania z biurka (piszemy na wypadek gdybyście się nad tym zastanawiali)

Nagrania dźwięków wydawanych przez klawisze zapisano w postaci spektrogramów (ze skalą Mel) i to one posłużyły do dalszych analiz. Naukowcy sięgnęli po model CoAtNet opracowany przez zespół Google Brain i doceniany właśnie w zadaniach wymagających klasyfikowania obrazów. W artykule możecie poczytać o tym jakie hiperparametry dobrali naukowcy aby osiągnąć swoje wyniki.

Zadziwiająca skuteczność

Naukowcy od razu zauważyli, że nagrania z Zooma były bardziej problemowe. Obrazek powyżej pokazuje spektrogram dźwięku nagranego telefonem (po lewej) i ma on bardziej czytelną strukturę niż ten nagrany przez Zoom, zaśmiecony dodatkowymi częstotliwościami. Znalazło to swoje odzwierciadlenie w ostatecznych wynikach eksperymentu. W przypadku nagrań robionych telefonem klasyfikator osiągnął 95% skuteczności. Przy nagraniach robionych przez Zooma skuteczność wyniosła “tylko” 93%. I to wszystko bez użycia modelu językowego.

W tej sytuacji przechwycenie np. wpisywanego hasła na podstawie nagrania dźwięku z klawiatury staje się czymś bardzo prawdopodobnym. Czy przerażającym? Niekoniecznie, bo przed tego rodzaju atakami mogą nas w uchronić praktyki, do których i tak powinniśmy się stosować.

Co robić? Jak żyć?

Po pierwsze warto używać menedżerów haseł. Eliminują one konieczność wprowadzania haseł z klawiatury. Jeśli już musicie wpisywać hasła to warto używać haseł niesłownikowych oraz ze znakami specjalnymi. Naukowcy zauważyli, że bardzo problemowe jest wychwycenie momentów zwalniania klawisza shift i duży kłopot sprawia analiza klawiszy nie-alfanumerycznych. Hasło ze znaków losowych będzie trudniejsze do odgadnięcia, a zastosowanie znaków specjalnych zmniejszy skuteczność rozpoznawania klawiszy. No i warto mieć długie hasło  – zmniejszy to prawdopodobieństwo ustalenia, które znaki nie były trafione.

Teoretycznie można wskoczyć na wyższy poziom paranoi i np. emitować biały szum w momencie wpisywania hasła, albo emitować dodatkowe dźwięki stukających klawiszy. Czy warto to robić? Zwykle ataki side-channel prezentowane przez naukowców mają charakter laboratoryjno-akademicki. Takie rzeczy jak analiza dźwięków wydawanych przez monitory, dźwięków wydawanych przez zamki albo podsłuchiwanie przez obserwowanie żarówki to nie jest coś, co każdy zrobi u siebie w garażu. Trzeba jednak przyznać, że metoda opisana w tym najnowszym artykule jest wyjątkowo blisko realnego zastosowania. Owszem, nadal możemy traktować ją jako ciekawostkę, ale moment w którym takie ataki będą prawdziwie niebezpieczne wydaje się nieuchronnie zbliżać.