論文の概要: A Practical Deep Learning-Based Acoustic Side Channel Attack on
Keyboards
- arxiv url: http://arxiv.org/abs/2308.01074v1
- Date: Wed, 2 Aug 2023 10:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 13:09:12.941019
- Title: A Practical Deep Learning-Based Acoustic Side Channel Attack on
Keyboards
- Title(参考訳): キーボード上での深層学習に基づく音響サイドチャネル攻撃
- Authors: Joshua Harrison, Ehsan Toreini, Maryam Mehrnezhad
- Abstract要約: 本稿では,スマートフォン内蔵マイクを用いてノートパソコンのキーストロークを分類するために,最先端のディープラーニングモデルを提案する。
近くの電話機で記録されたキーストロークで訓練すると、分類器は95%の精度を達成し、言語モデルを用いずに見られる最高精度を達成した。
この一連の攻撃からユーザを保護するための一連の緩和手法について論じる。
- 参考スコア(独自算出の注目度): 6.230751621285321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract(参考訳): 近年のディープラーニングの発展、マイクロフォンの普及、パーソナルデバイスによるオンラインサービスの興隆により、アコースティックサイドチャネル攻撃はキーボードにとってこれまでになく大きな脅威となる。
本稿では,スマートフォン統合型マイクロホンを用いて,ノートpcキーストロークを分類するために,最先端のディープラーニングモデルを実践的に実装する。
近くの電話機で記録されたキーストロークで訓練すると、分類器は95%の精度を達成し、言語モデルを用いずに見られる最高精度を達成した。
ビデオ会議ソフトZoomで記録したキーストロークをトレーニングすると、93%の精度が達成され、メディアにとって新たなベストとなった。
本研究は,市販の機器とアルゴリズムを用いて,これらのサイドチャネル攻撃の実用性を示す。
この一連の攻撃からユーザを保護するための一連の緩和手法について論じる。
関連論文リスト
- Adversarial Agents For Attacking Inaudible Voice Activated Devices [0.0]
本論文は、新しいインターネット・オブ・シングの構成に強化学習を適用した。
音声アクティベートデバイスに対する難聴攻撃の分析では,10点中7.6点のアラーム危険因子が確認された。
2024年までに、この新たな攻撃面は、地球上の人々よりも多くのデジタル音声アシスタントを含んでいるかもしれない。
論文 参考訳(メタデータ) (2023-07-23T02:18:30Z) - Video-Mined Task Graphs for Keystep Recognition in Instructional Videos [71.16703750980143]
手続き的活動理解には、より広いタスクの観点から人間の行動を知覚する必要がある。
本稿では,ハウツービデオからタスクグラフを自動的に発見して,人々がキーステップを実行する傾向を確率論的に表現することを提案する。
より信頼性の高いゼロショットキーステップのローカライゼーションとビデオ表現学習の改善。
論文 参考訳(メタデータ) (2023-07-17T18:19:36Z) - Pre-trained Encoders in Self-Supervised Learning Improve Secure and
Privacy-preserving Supervised Learning [63.45532264721498]
自己教師付き学習は、ラベルのないデータを使ってエンコーダを事前訓練するための新しいテクニックである。
我々は、事前訓練されたエンコーダがセキュア・プライバシ保護型学習アルゴリズムの限界に対処できるかどうかを理解するための、最初の体系的、原則的な測定研究を行う。
論文 参考訳(メタデータ) (2022-12-06T21:35:35Z) - Push-Pull: Characterizing the Adversarial Robustness for Audio-Visual
Active Speaker Detection [88.74863771919445]
我々は、音声のみ、視覚のみ、および音声-視覚的敵対攻撃下でのAVASDモデルの脆弱性を明らかにする。
また,攻撃者が現実的な相手を見つけるのを困難にするため,新たな音声・視覚的相互作用損失(AVIL)を提案する。
論文 参考訳(メタデータ) (2022-10-03T08:10:12Z) - Fingerprinting Robot Movements via Acoustic Side Channel [1.0742675209112622]
動作中のロボットを録音するスマートフォンマイクロフォンを用いて,音の音響特性を利用してロボットの動きを識別するアコースティックサイドチャネルアタックを提案する。
個々のロボットの動きは75%の精度で指紋化でき、距離や速度といったより細かい動きのメタデータでわずかに減少することがわかった。
外科的設定など一部の環境では、教育・教育目的や遠隔遠隔医療など、VoIP経由で音声を録音・送信することができる。
論文 参考訳(メタデータ) (2022-09-21T10:12:37Z) - Attacker Attribution of Audio Deepfakes [5.070542698701158]
ディープフェイクは、しばしば悪意のある意図で考案された合成メディアである。
最近の研究は、音声が本物か偽物かを予測するディープフェイク検出に限られている。
これは、帰属(誰が偽物を作ったのか?)がより大きな防衛戦略の重要な構成要素であるという事実にもかかわらずである。
論文 参考訳(メタデータ) (2022-03-28T09:25:31Z) - Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。
私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。
そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
論文 参考訳(メタデータ) (2022-02-19T03:48:20Z) - TEACHTEXT: CrossModal Generalized Distillation for Text-Video Retrieval [103.85002875155551]
本研究では,大規模言語前訓練を利用した一般化蒸留法TeachTextを提案する。
提案手法をビデオ側モダリティに拡張し,テスト時に使用するモダリティの数を効果的に削減できることを示す。
提案手法は,いくつかのビデオ検索ベンチマークの精度を著しく向上させ,テスト時の計算オーバーヘッドを増加させない。
論文 参考訳(メタデータ) (2021-04-16T17:55:28Z) - TypeNet: Deep Learning Keystroke Biometrics [77.80092630558305]
TypeNetは、アイデンティティ毎に適度な数のキーストロークでトレーニングされた、リカレントニューラルネットワークである。
5つのギャラリーシーケンスと長さ50のテストシーケンスにより、TypeNetは最先端のキーストロークバイオメトリック認証性能を実現します。
実験では,最大10,000人の被験者による誤りの程度の増加を実証し,インターネット規模でのTypeNetの運用の可能性を示した。
論文 参考訳(メタデータ) (2021-01-14T12:49:09Z) - Zoom on the Keystrokes: Exploiting Video Calls for Keystroke Inference
Attacks [4.878606901631679]
近年の世界では、ビデオ通話が、個人とプロの両方のリモートコミュニケーションの新しい標準となっている。
我々は、コールのビデオストリームであるキーストロークからそのようなプライベート情報を推測するための攻撃フレームワークを設計し、評価する。
本稿では,ビデオ通話中にユーザを自動で保護する効果的な緩和手法を提案し,評価する。
論文 参考訳(メタデータ) (2020-10-22T21:38:17Z) - A Framework for Behavioral Biometric Authentication using Deep Metric
Learning on Mobile Devices [17.905483523678964]
バッテリー駆動のモバイルデバイス上でのトレーニングを取り入れた新しいフレームワークを提案する。これにより、プライベートデータはデバイスを離れることなく、実行時の動作パターンに柔軟に適応するようにトレーニングをスケジュールすることができる。
実験では、3つの公開データセットで95%以上の認証精度が示され、データが少ないマルチクラスの分類では15%の精度が向上し、それぞれ99%と90%が成功したブルートフォース攻撃とサイドチャネル攻撃に対する堅牢性が向上した。
その結果,トレーニングはビデオ視聴よりも低エネルギーを消費し,ゲームよりも若干高いエネルギーを消費していることがわかった。
論文 参考訳(メタデータ) (2020-05-26T17:56:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。