Neuer akustischer Angriff stiehlt Tastatureingaben mit 95 % Genauigkeit
(bleepingcomputer.com)- Ein akustischer Side-Channel-Angriff, der allein anhand von Tastaturgeräuschen schätzt, welche Tasten ein Nutzer gedrückt hat, erreicht in Kombination mit Deep Learning eine Genauigkeit von bis zu 95 %
- Angreifer können ein Mikrofon in der Nähe, ein mit Malware infiziertes Smartphone mit Mikrofonberechtigung oder die Tastengeräusche in einem Zoom-Anruf nutzen, um sensible Informationen wie Passwörter, Gespräche und Nachrichten offenzulegen
- Für das Experiment wurden auf einem aktuellen MacBook Pro die Geräusche von 36 Tasten gesammelt, die jeweils 25-mal gedrückt wurden; daraus wurden Wellenformen und Spektrogramme erstellt und anschließend ein CoAtNet-Bildklassifikator trainiert
- In einer Umgebung mit demselben Notebook und einem 17 cm entfernten iPhone 13 mini erreichten Smartphone-Aufnahmen 95 %, Zoom-Aufnahmen 93 % und Skype 91,7 % Genauigkeit
- Änderungen des Tippverhaltens, zufällige Passwörter, White Noise, Audiofilter, biometrische Authentifizierung und Passwortmanager werden als Gegenmaßnahmen genannt; allein der Wechsel zu einer leisen Tastatur bietet jedoch kaum Schutz
Datendiebstahl über Tastaturgeräusche
- Forschende an britischen Universitäten haben ein Deep-Learning-Modell trainiert, das Tastatureingaben anhand per Mikrofon aufgezeichneter Tippgeräusche schätzt
- Bei einem Angriff auf Basis von Mikrofonaufnahmen erreichte das Modell 95 % Genauigkeit
- Wurde es mit über Zoom gesammeltem Audio trainiert, sank die Genauigkeit auf 93 %, was nach Maßstab des Mediums dennoch ein hohes und rekordverdächtiges Ergebnis ist
- Bei einem erfolgreichen Angriff könnten Passwörter, Gespräche, Nachrichten und andere sensible Informationen an böswillige Dritte gelangen
Warum akustische Side-Channels realistisch sind
- Andere Side-Channel-Angriffe sind teils von besonderen Bedingungen, Datenraten oder Entfernungsbeschränkungen abhängig
- Da Geräte mit Mikrofonen weit verbreitet sind und hochwertige Audioaufnahmen ermöglichen, sinkt die Hürde für akustische Angriffe
- Mit den Fortschritten im Machine Learning werden soundbasierte Side-Channel-Angriffe praktikabler und gefährlicher als bislang angenommen
Angriffsablauf und Datenerhebung
- Der erste Schritt ist die Aufzeichnung der Tastengeräusche der Ziel-Tastatur
- Dies kann mit einem Mikrofon in der Nähe erfolgen
- Möglich ist es auch mit einem malwareinfizierten Mobiltelefon, das Zugriff auf das Mikrofon hat
- In einem Zoom-Anruf kann ein böswilliger Meeting-Teilnehmer die vom Ziel eingegebenen Nachrichten mit den aufgezeichneten Geräuschen korrelieren
- Die Forschenden drückten auf einem aktuellen MacBook Pro 36 Tasten jeweils 25-mal und zeichneten die dabei entstehenden Geräusche auf
- Aus den Aufnahmen wurden Wellenformen und Spektrogramme erzeugt, um identifizierbare Unterschiede zwischen den einzelnen Tasten zu visualisieren
- Die Signale durchliefen bestimmte Datenverarbeitungsschritte, damit sie zur Erkennung von Tasteneingaben genutzt werden konnten
Modelltraining und Testumgebung
- Die Spektrogramm-Bilder wurden zum Training von CoAtNet, einem Bildklassifikator, verwendet
- Die Forschenden experimentierten mit Epochen, Lernrate und Parametern zur Datenaufteilung, um die beste Vorhersagegenauigkeit zu erzielen
- Die Testumgebung sah wie folgt aus
- Dasselbe Notebook mit einer Tastatur, wie sie in Apple-Laptops der vergangenen zwei Jahre verwendet wurde
- Ein iPhone 13 mini in 17 cm Entfernung vom Ziel
- Zoom
- Die Genauigkeit des Klassifikators unterschied sich je nach Medium
- Smartphone-Aufnahme: 95 %
- Zoom-Aufnahme: 93 %
- Skype-Aufnahme: 91,7 %
Mögliche Gegenmaßnahmen
- Das Paper empfiehlt Nutzern, die sich große Sorgen wegen akustischer Side-Channel-Angriffe machen, ihr Tippverhalten zu ändern oder zufällige Passwörter zu verwenden
- Weitere Schutzmaßnahmen umfassen Software, die Tastengeräusche abspielt, White Noise und softwarebasierte Audiofilter für Tastatureingaben
- Da dieses Angriffsmodell selbst bei sehr leisen Tastaturen sehr effektiv ist, dürfte es wenig helfen, mechanische Tastaturen mit Dämmmaterial zu versehen oder auf membranbasierte Tastaturen umzusteigen
- Wenn möglich, sollten biometrische Authentifizierung genutzt und Passwortmanager eingesetzt werden, damit sensible Informationen nicht manuell eingegeben werden müssen
Zusätzliche Empfehlungen von Zoom
- Zoom erklärt, dass Datenschutz und Sicherheit der Nutzer einen hohen Stellenwert haben
- Zusätzlich zu den von den Forschenden vorgeschlagenen Gegenmaßnahmen können Zoom-Nutzer ihre Informationen mit folgenden Einstellungen besser schützen
- Unterdrückung von Hintergrundgeräuschen auf eine höhere Stufe stellen
- Mikrofon beim Beitritt zu Meetings standardmäßig stummschalten
- Mikrofon während eines Meetings beim Tippen stummschalten
1 Kommentare
Meinungen auf Hacker News
Die Trainings- und Testdaten wurden auf demselben Notebook, mit demselben Mikrofon und in derselben Umgebung erstellt, und möglicherweise hat sogar dieselbe Person die Tasten gedrückt.
Auch das Zoom-Modell wurde neu mit in Zoom gesammelten Daten trainiert; obwohl es als praktischer Seitenkanalangriff bezeichnet wird, scheint überhaupt nicht geprüft worden zu sein, ob sich dieser Ansatz verallgemeinern lässt.
Es geht nicht darum, beliebige Tastaturgeräusche zu lernen, sondern die Geräusche eines bestimmten Ziels.
Wenn zum Beispiel ein Twitch-Streamer bei eingeschaltetem Live-Mikrofon eine Antwort in den Chat tippt und später sein Twitch-Passwort eingibt, kann man das Audio der ersten Situation zum Trainieren nutzen und auf die zweite Situation anwenden.
Der Vorteil des Zoom-Angriffs ist, dass man, wenn man das Ziel dazu bringen kann, etwas in ein Chatfenster einzugeben, direkt nach dem Hören des „Ciphertexts“ den „Klartext“ bekommt.
Auch Tippen in anderen Kontexten entspricht meist einigen Grammatikformen, die ein LLM ohnehin schon erkennen kann: natürliche Sprache, Programmiersprachen, Befehle, Recheneingaben usw. Wenn nicht, ist es vermutlich eher ein Passwort.
Die Rauschunterdrückung ist in letzter Zeit so aggressiv, dass man sich für „Motorgeräusche/ Krankenwagen/ Stadtlärm“ entschuldigt, während die anderen oft gar nicht wissen, wovon man spricht.
Tastaturgeräusche sind ziemlich gut unterscheidbar, daher dürfte das gar nicht so schwierig sein.
Ich habe als Uni-Abschlussprojekt einen ähnlichen akustischen Seitenkanalangriff ausprobiert; in diesem Bereich gibt es ziemlich viele Ergebnisse, und er wartet im Grunde nur darauf, dass jemand die Methoden kombiniert.
Aus der Kombination von geometrischen Modellen, solchen lernenden/nichtlernenden statistischen Modellen und mehreren Sprachmodellen kommen ziemlich gute Ergebnisse heraus.
Einige der Papers, die ich gelesen habe, sind:
https://doi.org/10.1007/s10207-019-00449-8 - SonarSnoop. Gibt über den Smartphone-Lautsprecher Ultraschall aus und profiliert Interaktionen des Nutzers, zum Beispiel wischbasierte Passworteingaben.
https://people.eecs.berkeley.edu/~daw/papers/ssh-use01.pdf - „Timing Analysis of Keystrokes and Timing Attacks on SSH“. Ein Paper von 2001, das mit einem statistischen Modell der Tastenanschlags-Timings Passwörter aus verschlüsseltem SSH-Traffic rekonstruiert.
https://doi.org/10.1145/1609956.1609959 - „Keyboard acoustic emanations revisited“. Rekonstruiert Text per Klassifikation auf Basis von Cepstrum-Merkmalen unter Nutzung versteckter Markow-Modelle und Eigenschaften der englischen Sprache.
https://doi.org/10.1145/2660267.2660296 - „Context-free Attacks Using Keyboard Acoustic Emanations“. Verwendet einen geometrischen Ansatz, der aus Laufzeitdifferenzen probabilistisch die physische Position schätzt.
Ich verstehe nicht ganz, warum das so heruntergespielt wird, als wäre es keine große Sache.
Aus Sicht von Sicherheit und Nachrichtendiensten ist das ziemlich bedeutsam; es heißt, dass Audio-Training inzwischen so weit ist, dass empfindliche Abhörgeräte praktisch zu Keyloggern werden können.
In vielen Kontexten ist es viel einfacher, ein Audio-Abhörgerät zu platzieren als einen traditionellen Netzwerkangriff durchzuführen, und mit modernen Richtmikrofonen muss man möglicherweise nicht einmal ein Gebäude betreten.
Das ist weit über Passwortdiebstahl hinaus anwendbar.
Ich fand diesen Angriffsvektor schon lange interessant und habe mich gefragt, ob wir wirklich an diesen Punkt kommen würden.
Wirklich spannend.
Nicht abstrakte Geräusche, sondern Aufnahmen, auf denen ich auf genau dieser Tastatur tatsächlich tippe, gemischt und abgespielt als realistisch klingende Phrasen oder Sequenzen.
Wenn man sehr kurze Pausen lässt, damit echte Tastenanschläge hineingemischt werden können, dürfte es sehr schwer werden, sie zu entschlüsseln oder mit anderen Ereignissen wie dem Zeitpunkt der Passworteingabe zu korrelieren.
Noch besser wäre es, in der Umgebung weißes Rauschen laufen zu lassen; ich habe gehört, dass das bei sehr wichtigen Besprechungen tatsächlich manchmal gemacht wird.
Wenn man keine so wichtige Person ist, reicht es, wichtige Inhalte nur auf dem Smartphone einzugeben. Hoffentlich erzeugt ein Touchscreen nicht genug Geräusche.
Klingt nicht nach einer großen Sache.
Interessant. Ich würde wirklich gern wissen, welche akustischen Eigenschaften erkannt werden.
Ist es eher so etwas wie ein physischer Fingerabdruck jeder Taste, sodass man das Modell aktualisieren müsste, wenn man Keycaps oder Federn austauscht? Ähnlich wie alte Schreibmaschinen forensisch anhand von Fertigungsabweichungen identifiziert wurden?
Oder sind die Tasten selbst identisch, erzeugen aber wegen der Form der umgebenden Objekte innerhalb der Tastatur oder des Notebooks jeweils unterschiedliche Resonanzmuster? Muss man das Modell neu trainieren, wenn man die Tastatur im Raum verschiebt?
Ich frage mich auch, ob es gar keinen oder einen großen Unterschied macht, wie stark man eine Taste anschlägt.
Und im Vergleich zwischen verschiedenen Tastaturen: Sind dünne MacBook-Tasten oder externe Full-Height-Tastaturen leichter oder schwerer je Taste zu identifizieren?
Wie schnell man jede Taste erreicht, der Rhythmus, die Tendenz, bestimmte Tasten besonders hart anzuschlagen usw. dürften Einfluss haben.
Es fühlt sich eher so an, als würde man die Person stärker profilieren als die Tastatur.
Zum Hinweis: Einige, wahrscheinlich die meisten Videokonferenz-Softwares, entfernen Tastaturgeräusche aus dem Audio.
Bei Laptops ist das Mikrofon direkt neben den Tasten, weshalb das ein besonders störendes Problem ist.
Ich bin ziemlich sicher, dass Zoom das standardmäßig als Teil der Rauschunterdrückung macht. Mithilfe von Keydown-Events könnte man die Identifizierung zusätzlich zum Audiostream unterstützen, was es sogar einfacher machen dürfte.
Schon aktivierte Standard-Rauschunterdrückung dürfte bei normalen Videokonferenzen ausreichen, um solche Angriffe zu verhindern.
Deshalb fällt mir schwer, mir ein Szenario vorzustellen, in dem das eine realistische Bedrohung ist, solange ein Angreifer nicht bereits physischen Zugang hat, um einen normalen Keylogger oder eine versteckte Kamera zu installieren.
Wenn während eines Calls jemand anfängt zu tippen, hört man das sehr deutlich.
Georgi Gerganov hat vor ein paar Jahren bereits so etwas gebaut.
https://github.com/ggerganov/kbd-audio
Die Beispielgrafik zeigt, wie alle 0,5 Sekunden eine Taste gedrückt wird, was auf ein Zwei-Finger-Suchsystem von etwa 24 WPM hindeutet.
Auf diese Weise bekommt das Modell eine sehr saubere Wellenform.
Ich frage mich, ob dieser Ansatz auch bei durchschnittlich schnellen oder schnellen Tippern gut funktioniert. Es könnte deutlich schwieriger sein, Klangprofile einzelnen Zeichen zuzuordnen.
Mit genügend Trainingsdaten ließen sich bei normalen Tippern vermutlich wiederholbare Muster finden.
Zum Beispiel könnte es auf einem QWERTY-Layout paarweise Tempo-Muster geben, etwa dass nach einem „A“ ein „Q“ 1,2- bis 2,3-mal so lange bis zur Eingabe braucht wie ein „J“.
Das hilft, den Suchraum zu verkleinern, statt alle möglichen Zeichen brutal durchzuprobieren.
Wenn das Ziel eine Passphrase verwendet, wird sie interpretierbar, sobald einige Referenzzeichen mit hoher Wahrscheinlichkeit identifiziert wurden, etwa „hXXXse battXXX stXXXXX cXXXXXX“.
Nachdem ich diesen Artikel gesehen habe, habe ich ein Startprojekt zu einer Variante dieser Idee als Open Source veröffentlicht: https://github.com/secretlessai/audio-mnist
Ich interessiere mich schon länger dafür, Bildklassifizierungsverfahren wie CNNs auf Audiodaten anzuwenden.
Vor ein paar Jahren habe ich als Wochenendprojekt aus Audioaufnahmen handgeschriebener Ziffern ein einfaches „audio-mnist“-Dataset erstellt, bin aber nach ein paar Tagen Arbeit nicht weitergekommen.
Trotzdem dachte ich schon eine Weile, dass ich es als Open Source veröffentlichen sollte, und dieser Artikel hat mich dazu gebracht, es zu tun.
Wenn man mehr Daten sammelt und ein einfaches CNN-Beispiel ergänzt, könnte es ein guter Ausgangspunkt für verschiedene Forschungsarbeiten und Tools sein.
Den separaten Code zum Erstellen der Aufnahmen und zum Aufteilen des Audios muss ich noch finden und verständlich aufbereiten.
Ich hoffe, dass es jemandem hilft, der Teile dieses Prozesses interessant oder nützlich findet.
Es wäre schön, wenn es eine kabellose Tastatur gäbe, die damit funktioniert.
Sie bräuchte weder Batterie noch Laden noch Synchronisierung.
Das war die Space-Command-Fernbedienung von Zenith, und angeblich ist das der Grund, warum TV-Fernbedienungen manchmal „clicker“ genannt werden.
https://www.theverge.com/23810061/zenith-space-command-remot...
Wahrscheinlichkeit des Fehlers × Kostenwirkung dürfte selbst dann schwer auszuhalten sein, wenn sich die Fehlerrate um eine Größenordnung verbessert.
Jetzt ist es an der Zeit, in einen Zoom-Call Hintergrundaudio einzuspeisen, in dem ich „fuck you“ tippe.
Ziel ist es, dass die Abhörenden ihre Lebensentscheidungen komplett neu bewerten und sich vielleicht sogar in die Geschichte selbst vertiefen.
weil es ein guter Referenzpunkt ist.