論文の概要: Deep-TEMPEST: Using Deep Learning to Eavesdrop on HDMI from its Unintended Electromagnetic Emanations
- arxiv url: http://arxiv.org/abs/2407.09717v1
- Date: Fri, 12 Jul 2024 23:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 21:08:35.986878
- Title: Deep-TEMPEST: Using Deep Learning to Eavesdrop on HDMI from its Unintended Electromagnetic Emanations
- Title（参考訳）: Deep-TEMPEST:Deep Learningを使って意図しない電磁エマニュエーションからHDMIを盗聴する
- Authors: Santiago Fernández, Emilio Martínez, Gabriel Varela, Pablo Musé, Federico Larroca,
- Abstract要約: 本稿では,ケーブルやコネクタから無意識に放出される電磁波を分析して,デジタルビデオディスプレイの盗聴問題に対処する。
アナログケース(VGA)と比較して、デジタルケースは10ビットの符号化により、観測された信号と画素の強度の間の帯域幅と非線形マッピングがはるかに大きくなるため、難しい。
提案手法は、問題を逆問題として再キャストし、深層学習モジュールを訓練し、観測された電磁波を表示された画像にマッピングする。
- 参考スコア（独自算出の注目度）: 0.34952465649465553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we address the problem of eavesdropping on digital video displays by analyzing the electromagnetic waves that unintentionally emanate from the cables and connectors, particularly HDMI. This problem is known as TEMPEST. Compared to the analog case (VGA), the digital case is harder due to a 10-bit encoding that results in a much larger bandwidth and non-linear mapping between the observed signal and the pixel's intensity. As a result, eavesdropping systems designed for the analog case obtain unclear and difficult-to-read images when applied to digital video. The proposed solution is to recast the problem as an inverse problem and train a deep learning module to map the observed electromagnetic signal back to the displayed image. However, this approach still requires a detailed mathematical analysis of the signal, firstly to determine the frequency at which to tune but also to produce training samples without actually needing a real TEMPEST setup. This saves time and avoids the need to obtain these samples, especially if several configurations are being considered. Our focus is on improving the average Character Error Rate in text, and our system improves this rate by over 60 percentage points compared to previous available implementations. The proposed system is based on widely available Software Defined Radio and is fully open-source, seamlessly integrated into the popular GNU Radio framework. We also share the dataset we generated for training, which comprises both simulated and over 1000 real captures. Finally, we discuss some countermeasures to minimize the potential risk of being eavesdropped by systems designed based on similar principles.
- Abstract（参考訳）: 本研究では,ケーブルやコネクタ,特にHDMIから無意識に放出される電磁波を解析することにより,デジタルビデオディスプレイの盗聴の問題に対処する。
この問題はTEMPESTとして知られている。
アナログケース(VGA)と比較して、デジタルケースは10ビットの符号化により、観測された信号と画素の強度との間の帯域幅と非線形マッピングがはるかに大きくなるため、難しい。
その結果、アナログケース用に設計された盗聴システムは、デジタルビデオに適用した場合、不明瞭で読みにくい画像が得られる。
提案手法は、問題を逆問題として再キャストし、深層学習モジュールを訓練し、観測された電磁波を表示された画像にマッピングする。
しかし、このアプローチは信号の詳細な数学的解析を必要としており、まず、チューニングする周波数を決定するだけでなく、実際のTEMPESTセットアップを実際に必要とせずにトレーニングサンプルを生成する。
これにより、特にいくつかの設定が検討されている場合、時間が節約され、これらのサンプルを取得する必要がなくなる。
本システムは,テキストにおける平均文字誤り率の向上に重点を置いており,従来の実装に比べて60パーセント以上向上している。
提案システムは、広く利用可能なSoftware Defined Radioに基づいており、完全にオープンソースであり、人気のあるGNU Radioフレームワークにシームレスに統合されている。
トレーニング用に生成したデータセットも共有しています。
最後に、同様の原理に基づいて設計されたシステムによって盗難される可能性を最小限に抑えるために、いくつかの対策について論じる。
関連論文リスト
- A Computational Harmonic Detection Algorithm to Detect Data Leakage through EM Emanation [0.08192907805418582]
EMエマニュエーション(EMエマニュエーション)として知られる電子機器からの意図しない電磁放射は、重大なセキュリティリスクを引き起こす。
防衛組織は通常、データ漏洩を防ぐために金属遮蔽を使用するが、このアプローチはコストが高く、広く使われるには実用的ではない。
本稿では,高調波検出装置の開発による高調波検出手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T14:40:15Z) - A Study of Dropout-Induced Modality Bias on Robustness to Missing Video
Frames for Audio-Visual Speech Recognition [53.800937914403654]
AVSR(Advanced Audio-Visual Speech Recognition)システムは、欠落したビデオフレームに敏感であることが観察されている。
ビデオモダリティにドロップアウト技術を適用することで、フレーム不足に対するロバスト性が向上する一方、完全なデータ入力を扱う場合、同時に性能損失が発生する。
本稿では,MDA-KD(Multimodal Distribution Approximation with Knowledge Distillation)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T06:06:55Z) - Restoring Original Signal From Pile-up Signal using Deep Learning [0.0]
パイルアップ信号は実験物理学でしばしば生成される。
彼らは不正確な物理データを高い不確実性で生成する。
本研究では,蓄積信号から元の信号を復元する深層学習手法を実装した。
論文 参考訳（メタデータ） (2023-04-24T08:42:17Z) - Microseismic source imaging using physics-informed neural networks with
hard constraints [4.07926531936425]
物理インフォームドニューラルネットワーク(PINN)に基づく直接微動イメージングフレームワークを提案する。
PINNを用いてマルチ周波数波動場を表現し,その逆フーリエ変換を用いて音源画像の抽出を行う。
さらに,本手法をモニタリングフィールドデータの水理破砕に応用し,少ないアーティファクトで精度よくソースを画像化できることを実証する。
論文 参考訳（メタデータ） (2023-04-09T21:10:39Z) - High Fidelity Neural Audio Compression [92.4812002532009]
我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。
ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。
単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
論文 参考訳（メタデータ） (2022-10-24T17:52:02Z) - Overhead-Free Blockage Detection and Precoding Through Physics-Based
Graph Neural Networks: LIDAR Data Meets Ray Tracing [58.73924499067486]
物理ベースグラフニューラルネットワーク(GNN)による光検出・測光(LIDAR)データの分類によりブロック検出を実現する
プリコーダ設計には、LIDARデータから得られた3D面にレイトレーシングを行うことにより、予備チャネル推定を行う。
数値シミュレーションにより、ブロック検出は95%精度で成功していることが示された。
論文 参考訳（メタデータ） (2022-09-15T15:04:55Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Learning Radio Frequency Signal Classification with Hybrid Images [0.0]
入力トレーニングデータに使用できるさまざまな前処理ステップに注目し、結果を固定されたディープラーニングアーキテクチャでテストする。
本稿では,時間領域情報と周波数領域情報の両方を利用するハイブリッド画像を提案し,コンピュータビジョン問題として分類する。
論文 参考訳（メタデータ） (2021-05-19T11:12:09Z) - Digital Beamforming Robust to Time-Varying Carrier Frequency Offset [21.18926642388997]
時変キャリア周波数オフセットから発生する信号の破損に頑健な新しいビームフォーミングアルゴリズムを提案する。
パイロットと干渉器信号に未知の時変周波数ドリフトが存在する場合に干渉をキャンセルできる重みベクトルを設計するための2つの原子ノルム最小化(anm)方式を提案する。
論文 参考訳（メタデータ） (2021-03-08T18:08:56Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。