Deep-Spying：基于智能手表与深度学习的窥探
密码学与安全
2015-12-18 v1 计算机与社会
机器学习
摘要
可穿戴技术如今正在兴起，对主流用户变得更加常见且广泛可用。事实上，诸如智能手表和健身追踪器之类的腕带和臂带设备已经在消费电子市场占据了重要位置，并变得无处不在。然而，由于其可穿戴的天性，这些设备提供了一种新的普遍性攻击面，除其他外，威胁用户隐私。与此同时，机器学习的进步正提供前所未有的可能性来高效处理复杂数据，允许模式从高维且不可避免含噪的数据中浮现。这项工作的目标是提高对内置可穿戴设备的运动传感器相关潜在风险的认识，并展示利用先进神经网络架构实现的滥用机会。本研究中提出的基于 LSTM 的实现能够以高于平均水平的准确率在 12 键键盘上进行触摸记录和按键记录，即使面对原始未处理数据也是如此。从而证明深度神经网络能够使得基于运动传感器的按键推断攻击更容易实现，因为去除了对非平凡预处理流水线和精心设计的特性提取策略的需求。我们的结果表明，当佩戴可穿戴腕带设备时，用户的完整技术生态系统可能遭到攻破。
引用
@article{arxiv.1512.05616,
title = {Deep-Spying: Spying using Smartwatch and Deep Learning},
author = {Tony Beltramelli and Sebastian Risi},
journal= {arXiv preprint arXiv:1512.05616},
year = {2015}
}
备注
Security, Side-Channel Attack, Keystroke Inference, Motion Sensors, Deep Learning, Recurrent Neural Network, Wearable Computing