Die elektromagnetische Strahlung von HDMI-Kabeln kann einige Anzeigesignale in die umgebende Luft freisetzen. An sich ist das nichts Besonderes, aber in Kombination mit KI kann der ursprüngliche Bildinhalt rekonstruiert werden.
Ein Team der Fakultät für Ingenieurwissenschaften der Republik Uruguay hat ein ### End-to-End-Modell vorgestellt, das sich auf die Textrückgewinnung konzentriert und die Zeichenfehlerrate (CER) von durchgesickerten Signalen (wie HDMI) auf etwa 30% reduzieren kann.
Es ist wichtig zu wissen, dass digitale Signale (wie HDMI) im Vergleich zu analogen Signalen (wie VGA) schwieriger wiederherzustellen sind, da die 10-Bit-Kodierung zu einer erhöhten Bandbreite und einer nichtlinearen Abbildung zwischen Signal und Pixelintensität führt.
Bei dieser Reduzierung kann der Originalinhalt im Wesentlichen entschlüsselt werden.
Um dies anschaulicher zu machen, schauen wir uns eine der vom Team demonstrierten Angriffsmethoden an.
Kurz gesagt, das Team ### verwendet eine Antenne, um HDMI-elektromagnetische Signale abzufangen, und versucht dann mit KI, die Originaldaten zu "rekonstruieren".
Verwendung eines KI-Modells
Wie genau haben sie das gemacht? Das entsprechende Forschungspapier wurde auf arXiv veröffentlicht.
Zunächst verwendet das Team ### Antennen, um die von HDMI-Kabeln und -Anschlüssen emittierten elektromagnetischen Wellen einzufangen.
Als Nächstes wird ein SDR-Gerät (Software Defined Radio) verwendet, um diese elektromagnetischen Signale zu empfangen und in digitale Proben umzuwandeln, die Informationen über das ursprüngliche Videosignal enthalten, aber auch Rauschen und Verzerrungen aufweisen können.
Dann wird ### gr-temest, ein Software-Tool, verwendet, um die vom SDR erfassten Signale weiter zu verarbeiten und die Bilddaten zu extrahieren.
Dieser Schritt kann Filterung, Abtastratenanpassung und andere Operationen umfassen, mit dem Ziel, die ursprüngliche Form des Bildes so weit wie möglich wiederherzustellen.
Schließlich wird das durch die obigen Schritte verarbeitete Signal in ein ### KI-Modell eingegeben, das Schlüsselmerkmale im Bild erkennen und verbessern kann, um die Klarheit und Lesbarkeit des Bildes zu erhöhen.
Zusammengefasst umfasst der gesamte Prozess das Erfassen elektromagnetischer Signale, die Verarbeitung dieser Signale mit Open-Source-Software und die weitere Verarbeitung mit einem End-to-End-Modell.
Es ist ersichtlich, dass die ### Schlüsselverbesserung dieser Forschung in der letztendlichen Nutzung von Deep-Learning-Technologien liegt.
Das Team verwendete ### Deep Residual UNet (DRUNet), ein konvolutionelles neuronales Netzwerk mit Encoder-Decoder-Struktur, das für Bildwiederherstellungsaufgaben geeignet ist.
Durch die Optimierung der Netzwerkstruktur und des Trainingsprozesses kann DRUNet die Qualität der Bildwiederherstellung erheblich verbessern, insbesondere in Bezug auf die Lesbarkeit von Text.
Fehlerrate um etwa 60% reduziert
Wie genau hat sich dieses End-to-End-Modell also bewährt?
Für den Test erstellten sie einen ### Datensatz mit etwa 3500 Proben, von denen etwa 1300 real erfasste Signale waren, der Rest simulierte Signale.
Die realen Proben wurden durch experimentelle Aufbauten gewonnen, während die simulierten Proben mit einem GNU Radio-Simulator auf Basis eines analytischen Modells generiert wurden. Diese Proben wurden zum Training und zur Bewertung des Modells verwendet.
Die Forschung zeigt, dass das Pure Model mit komplexen Proben auf dem realen Datensatz in allen Bewertungsmetriken (PSNR, SSIM, CER) die ### beste Leistung zeigt.
Konkret liegt die CER der herkömmlichen gr-tempest-Methode, die die Amplitude des Originalbildes verwendet, auf dem realen Datensatz ### über 90%, während die CER des Pure Models (mit komplexen Proben) ### auf 35,3% sinkt.
Gleichzeitig können Modelle, die auf synthetischen Daten trainiert wurden, bei realen Daten möglicherweise Leistungseinbußen erfahren.
Allerdings ### kann durch Feinabstimmung (Fine-Tuning) selbst mit nur ### 10% der realen Proben eine Leistung erreicht werden, die der des Pure Models nahekommt, das mit allen realen Proben trainiert wurde.
Um die Robustheit zu überprüfen, wurde das Modell mit verschiedenen Abtastraten und Bildschirmauflösungen getestet. Die Ergebnisse zeigen, dass ### einige Konfigurationsänderungen zu signifikanten Leistungseinbußen führen können.
Obwohl das Team die HDMI-"Knackrate" mit dem neuen Modell erheblich verbessert hat, schlägt es abschließend auch ### entsprechende Gegenmaßnahmen vor, um Risiken vorzubeugen.
Durch ### Hinzufügen von niedrigstufigem Rauschen oder Verwendung von Hintergrundverläufen auf dem Monitorbild kann die Erfolgsrate effektiv reduziert werden.
Die entsprechende Forschung und der Datensatz sind jetzt Open Source. Interessierte können das Papier für weitere Details lesen.
Referenzlinks: