論文の概要: OverHear: Headphone based Multi-sensor Keystroke Inference

• arxiv url: http://arxiv.org/abs/2311.02288v1
• Date: Sat, 4 Nov 2023 00:48:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 13:45:54.901035
• Title: OverHear: Headphone based Multi-sensor Keystroke Inference
• Title（参考訳）: OverHear:ヘッドホンベースのマルチセンサー・キーストローク推論
• Authors: Raveen Wijewickrama, Maryam Abbasihafshejani, Anindya Maiti, Murtuza Jadliwala,
• Abstract要約: 我々は,ヘッドホンの音響および加速度計データを活用するキーストローク推論フレームワークを開発した。 メカニカルキーボードのキー予測精度は,メカニカルキーボードのキー予測精度が約80%,膜キーボードのキー予測精度が約60%である。 その結果,現実シナリオの文脈におけるアプローチの有効性と限界が浮き彫りになった。
• 参考スコア（独自算出の注目度）: 1.9915929143641455
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Headphones, traditionally limited to audio playback, have evolved to integrate sensors like high-definition microphones and accelerometers. While these advancements enhance user experience, they also introduce potential eavesdropping vulnerabilities, with keystroke inference being our concern in this work. To validate this threat, we developed OverHear, a keystroke inference framework that leverages both acoustic and accelerometer data from headphones. The accelerometer data, while not sufficiently detailed for individual keystroke identification, aids in clustering key presses by hand position. Concurrently, the acoustic data undergoes analysis to extract Mel Frequency Cepstral Coefficients (MFCC), aiding in distinguishing between different keystrokes. These features feed into machine learning models for keystroke prediction, with results further refined via dictionary-based word prediction methods. In our experimental setup, we tested various keyboard types under different environmental conditions. We were able to achieve top-5 key prediction accuracy of around 80% for mechanical keyboards and around 60% for membrane keyboards with top-100 word prediction accuracies over 70% for all keyboard types. The results highlight the effectiveness and limitations of our approach in the context of real-world scenarios.
• Abstract（参考訳）: ヘッドホンは伝統的にオーディオ再生に限られており、高解像度マイクや加速度計のようなセンサーを統合するように進化してきた。 これらの進歩によってユーザエクスペリエンスが向上する一方で、キーストローク推論がこの作業における私たちの関心事として、盗聴の潜在的な脆弱性も導入されます。 この脅威を検証するために,ヘッドホンの音響および加速度計データを活用するキーストローク推論フレームワークであるOverHearを開発した。 加速度計データは、個々のキーストローク識別に十分な詳細ではないが、手の位置によるクラスタリングキーの押圧を支援する。 同時に、音響データからMel Frequency Cepstral Coefficients (MFCC)を抽出し、異なるキーストロークの区別を支援する。 これらの機能はキーストローク予測のための機械学習モデルにフィードされ、その結果は辞書ベースの単語予測手法によってさらに洗練される。 実験では,異なる環境条件下で様々なキーボードのタイプを試験した。 メカニカルキーボードでは,トップ5キー予測精度が約80%,膜キーボードでは約60%,すべてのキーボードでは上位100ワード予測精度が70%以上であった。 その結果,現実シナリオの文脈におけるアプローチの有効性と限界が浮き彫りになった。

関連論文リスト

• Acoustic Side Channel Attack on Keyboards Based on Typing Patterns [0.0]
  キーボードに対するサイドチャネル攻撃は、入力デバイスとしてキーボードを使用する多くのシステムにおけるセキュリティ対策をバイパスすることができる。 本稿では,現実的な環境におけるユーザのタイピングパターンを考慮に入れた適用方法を提案する。 本手法は実世界のシナリオを考慮した場合, ケーススタディ全体で平均43%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-03-13T17:44:15Z)
• Keystroke Verification Challenge (KVC): Biometric and Fairness Benchmark Evaluation [21.63351064421652]
  生体認証のためのキーストローク力学(KD)にはいくつかの利点がある。 KDは最も差別的な行動特性の1つである。 KDに基づく生体認証性能と公正性を評価するための新しい実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-10T11:23:28Z)
• A Survey on Acoustic Side Channel Attacks on Keyboards [0.0]
  メカニカルキーボードは、アコースティックサイドチャネルアタックの影響を受けやすい。 研究者らは、周囲の騒音からタイプされたキーストロークを抽出する手法を開発した。 マイクロホン技術の改善により、アコースティックサイドチャネル攻撃に対する潜在的な脆弱性も増大する。
  論文  参考訳（メタデータ） (2023-09-20T02:26:53Z)
• A Practical Deep Learning-Based Acoustic Side Channel Attack on Keyboards [6.230751621285321]
  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。
  論文  参考訳（メタデータ） (2023-08-02T10:51:36Z)
• BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot Detection [63.447493500066045]
  本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。 提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。 実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
  論文  参考訳（メタデータ） (2022-07-27T09:26:15Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• My(o) Armband Leaks Passwords: An EMG and IMU Based Keylogging Side-Channel Attack [8.195365677760211]
  センサ・モダリティであるEMG(Electromyographic Data)データの利用の可能性について検討する。 本手法では加速度計やジャイロスコープと比較すると,EMGデータが最も顕著な情報源であることが判明した。 我々は37人のボランティアから記録された310万以上のキーストロークを含む広範なデータセットを作成しました。
  論文  参考訳（メタデータ） (2021-12-04T16:48:56Z)
• Accurate Grid Keypoint Learning for Efficient Video Prediction [87.71109421608232]
  キーポイントベースのビデオ予測手法は、トレーニングやデプロイメントにおいて、かなりの計算資源を消費することができる。 本稿では,長期的効率的な映像予測のための頑健で説明可能な中間キーポイント表現を目的とした,新しいグリッドキーポイント学習フレームワークを設計する。 提案手法は,計算資源の98%以上を節約しつつ,最先端のビデオ予測手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-28T05:04:30Z)
• 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)
• Keystroke Biometrics in Response to Fake News Propagation in a Global Pandemic [77.79066811371978]
  本研究では,キーストロークバイオメトリックスを用いたコンテンツ匿名化手法の提案と解析を行う。 フェイクニュースは、特に主要なイベントにおいて、世論を操作する強力なツールとなっている。
  論文  参考訳（メタデータ） (2020-05-15T17:56:11Z)
• End-to-End Automatic Speech Recognition Integrated With CTC-Based Voice Activity Detection [48.80449801938696]
  本稿では,音声活動検出機能とエンドツーエンドの自動音声認識を統合する。 我々は,コネクショニストの時間的分類(CTC)と,同期/アテンションの拡張に焦点を当てた。 簡単なしきい値を用いた音声区間検出のためのキューとしてラベルを用いる。
  論文  参考訳（メタデータ） (2020-02-03T03:36:34Z)

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。