論文の概要: Et Tu, MacBook? Unprivileged Keystroke Inference and Context Profiling via the Built-in IMU Side Channel

• arxiv url: http://arxiv.org/abs/2609.21569v1
• Date: Fri, 18 Sep 2026 09:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.98394
• Title: Et Tu, MacBook? Unprivileged Keystroke Inference and Context Profiling via the Built-in IMU Side Channel
• Title（参考訳）: Et Tu, MacBook? ビルトインのIMUサイドチャネルを経由したキーストローク推論とコンテキストプロファイリング
• Abstract要約: Apple MacBookは、慣性測定ユニット(IMU)をデバイス指向とモーションセンシングのための単体シャシーに組み込む。 このIMUは、意図したデバイスレベルの情報だけでなく、ユーザインタラクションや周囲環境からの微妙な物理的振動も不注意に捉えている。 我々は、2つのコンテンツフリーなシステムメタデータインターフェースとともに、IOKitドライバを介してIMUデータに非ルートアクセス可能な脆弱性を発見した。 BRUTUSは、Apple MacBookに内蔵されているIMUセンサーをターゲットにした、初めての、非特権のサイドチャネル攻撃である。
• 参考スコア（独自算出の注目度）: 6.992755505807767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent generations of Apple MacBooks embed an inertial measurement unit (IMU) within their unibody chassis for device orientation and motion sensing. However, this IMU inadvertently captures not only intended device-level information but also subtle physical vibrations from user interactions and the surrounding environment. These signals establish a novel, previously unexplored side channel. We uncover a vulnerability allowing non-root access to IMU data via an IOKit driver, alongside two content-free system metadata interfaces (HIDIdleTime and CGEventSource) that further enrich the side-channel leakage. Through rigorous characterization of the IMU data, we reveal that the leakage spans three core dimensions: (1) keystroke identity (which key is typed), (2) desk surface (where the laptop is placed), and (3) user behavior (who is typing). Leveraging these findings, we introduce BRUTUS, the first comprehensive unprivileged side-channel attack targeting built-in IMU sensors on Apple MacBooks. BRUTUS achieves a character-level accuracy of 89.1% to 97.5% in key recovery. Furthermore, aided by language models, it can successfully reconstruct certain sentences with 100% accuracy. For user identification and environment profiling, BRUTUS correctly discovers user and environment profiles without labels and correctly assigns subsequent segments to their corresponding profiles. Ultimately, this work highlights the urgent necessity of strictly regulating access to built-in IMU sensors.
• Abstract（参考訳）: 近年のApple MacBookは、慣性測定ユニット(IMU)をデバイスオリエンテーションとモーションセンシングのための単体シャシーに組み込んでいる。 しかし、このIMUは意図したデバイスレベルの情報だけでなく、ユーザインタラクションや周囲環境からの微妙な物理的振動も不注意に捉えている。 これらのシグナルは、以前は探索されなかった新しいサイドチャネルを確立する。 我々は、IOKitドライバを介してIMUデータにルートされていないアクセスを可能にする脆弱性を、サイドチャネルの漏洩をさらに強化する2つのコンテンツフリーなシステムメタデータインターフェース(HIDIdleTimeとCGEventSource)と共に明らかにした。 IMUデータの厳密なキャラクタリゼーションにより,(1)キーストローク識別(キーが入力される),(2)デスク表面(ラップトップが置かれる),(3)ユーザ動作(タイピングを行う)の3つのコア次元にまたがるリークが明らかになった。 BRUTUSは、Apple MacBookに内蔵されているIMUセンサーをターゲットとした、初めての総合的な非特権なサイドチャネル攻撃である。 BRUTUSの文字レベルの精度は89.1%から97.5%である。 さらに、言語モデルによって支援され、100%精度で特定の文を再構築することに成功した。 ユーザ識別と環境プロファイリングのために、BRUTUSはラベルなしでユーザおよび環境プロファイルを正しく発見し、その後のセグメントを対応するプロファイルに正しく割り当てる。 最終的にこの研究は、内蔵のIMUセンサーへのアクセスを厳格に規制する必要性を強調している。

関連論文リスト

• Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks [1.656436183201117]
  送信重みデルタからのサーバ側クライアント識別推定について検討する。 軽量なクリップ・テーマ・ノイズ・ディフェンスのプライバシーとユーティリティのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-02T09:49:39Z)
• Can Machine Learning Break Wi-Fi Privacy? A Study on MAC Address Randomization [2.5227912984325362]
  機械学習(ML)ベースの指紋認証を用いてデバイスを識別できることが示されている。 この論文の中核となる貢献は、ハイスループット(HT)情報フィールドのビットワイズ分解である。 以上の結果から,HT機能情報と3つのSRSSI測定値を用いたDBSCANは,最大89.6%の精度を達成できた。
  論文  参考訳（メタデータ） (2026-06-24T13:07:05Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• OS-Harm: A Benchmark for Measuring Safety of Computer Use Agents [60.78202583483591]
  コンピュータ使用エージェントの安全性を計測する新しいベンチマークであるOS-Harmを紹介する。 OS-HarmはOSWorld環境上に構築されており、故意のユーザ誤用、インジェクション攻撃、モデル誤動作の3つのカテゴリでモデルをテストすることを目指している。 我々は、フロンティアモデルに基づいてコンピュータ利用エージェントを評価し、その安全性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-17T17:59:31Z)
• Erasing Without Remembering: Implicit Knowledge Forgetting in Large Language Models [81.62767292169225]
  我々は,その一般化に着目して,大規模言語モデルにおける知識の忘れについて検討する。 確率摂動に基づく新しいアンラーニングパラダイムであるPerMUを提案する。 TOFU、Harry Potter、ZsRE、WMDP、MUSEなど、さまざまなデータセットで実験が行われている。
  論文  参考訳（メタデータ） (2025-02-27T11:03:33Z)
• PMU-Data: Data Traces Could be Distinguished [6.403267046897523]
  シークレットの漏洩を目的としたサイドチャネル攻撃の新たなカテゴリであるPMU-Dataを紹介する。 DIV命令とMOV命令によって引き起こされる2種類の脆弱性のあるガジェットの同定に成功した。 PMU-Data攻撃の悪さを実証するために、実際の実験を行った。
  論文  参考訳（メタデータ） (2025-02-15T08:26:27Z)
• "Is not the truth the truth?": Analyzing the Impact of User Validations for Bus In/Out Detection in Smartphone-based Surveys [5.449283796175882]
  本稿では,半制御環境におけるヒューマン・コンピュータインタラクションの実験環境について述べる。 2つのルートで走行する2台の自動運転車で、3つのバス停と18人のユーザー、および独自のスマートフォンとBluetoothセンサープラットフォームを提供する。 我々は,スマートフォン調査で知られているように,ラベル付け過程におけるヒューマンエラーをエミュレートするために,ラベルフリップのモンテカルロシミュレーションを行った。
  論文  参考訳（メタデータ） (2022-02-24T08:48:40Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• AirMixML: Over-the-Air Data Mixup for Inherently Privacy-Preserving Edge Machine Learning [54.52660257575346]
  ネットワークエッジにおけるプライバシー保護型機械学習フレームワークであるAirMixMLを提案する。 AirMixMLでは、複数のワーカーがプライベートデータサンプルのアナログ変調信号をエッジサーバに送信し、受信したノイズと重ね合わせのサンプルを使用してMLモデルをトレーニングします。 シミュレーションにより,dirmix(alpha)-pc設計ガイドラインを提供し,精度,プライバシ,エネルギー効率を向上させる。
  論文  参考訳（メタデータ） (2021-05-02T05:45:43Z)

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。