重新审视基于视觉的按键推断攻击的威胁空间
计算机视觉与模式识别
2020-09-15 v1 密码学与安全
摘要
基于视觉的按键推断攻击是一种侧信道攻击，攻击者利用光学设备记录移动设备上的用户并推断其按键输入。此类攻击的威胁空间过去已有研究，但我们认为该威胁空间的决定性特征——即攻击者的能力强度——已经过时。先前的工作未研究使用深度神经网络训练的视觉系统作为对手，因为这些模型需要大量训练数据，而策划此类数据集成本高昂。为此，我们创建了一个大规模合成数据集来模拟按键推断攻击的场景。我们表明，先在合成数据上预训练，再在真实数据上采用迁移学习技术，可提升深度学习模型的性能。这表明这些模型能够从我们的合成数据中学习到丰富且有意义的表示，且在合成数据上的训练有助于克服基于视觉的按键推断攻击中真实数据集小而少的问题。在本工作中，我们聚焦于单次按键分类，其输入为一次按键的帧，输出为预测的按键。在对抗域适应框架下，我们通过在合成数据上预训练 CNN 并在一小部分真实数据上训练，取得了 95.6% 的准确率。模拟器源代码：https://github.com/jlim13/keystroke-inference-attack-synthetic-dataset-generator-
引用
@article{arxiv.2009.05796,
title = {Revisiting the Threat Space for Vision-based Keystroke Inference Attacks},
author = {John Lim and True Price and Fabian Monrose and Jan-Michael Frahm},
journal= {arXiv preprint arXiv:2009.05796},
year = {2020}
}