A radiação eletromagnética dos cabos de dados HDMI vaza alguns sinais de exibição para o ar ao redor. Isso não seria um problema por si só, mas combinado com IA, é possível reverter o conteúdo da imagem original.
Uma equipe da Faculdade de Engenharia da Universidade da República do Uruguai propôs um ### modelo de ponta a ponta, focado na recuperação de texto, capaz de reduzir a taxa de erro de caracteres (CER) de sinais vazados (como HDMI) para cerca de 30%.
É importante notar que, em comparação com sinais analógicos (como VGA), os sinais digitais (como HDMI) são mais difíceis de recuperar devido à codificação de 10 bits que leva a um aumento de largura de banda e mapeamento não linear entre o sinal e a intensidade dos pixels.
Com essa redução para esse nível, o conteúdo original pode ser basicamente decifrado.
Para uma demonstração mais visual, vamos olhar para um dos métodos de ataque demonstrados pela equipe.
Em resumo, a equipe ### usou uma antena para interceptar sinais eletromagnéticos HDMI e então usou IA para tentar "reconstruir" os dados originais.
Uso de modelos de IA
Como exatamente isso foi feito? O artigo de pesquisa relacionado foi publicado no arXiv.
Primeiro, a equipe usou ### antenas para capturar as ondas eletromagnéticas emitidas pelos cabos e conectores HDMI.
Em seguida, usaram um dispositivo SDR (Software Defined Radio) para receber esses sinais eletromagnéticos e convertê-los em amostras digitais, que contêm informações do sinal de vídeo original, mas também podem incluir ruído e distorção.
Depois, utilizaram ### ferramentas de software como gr-temest para processar ainda mais os sinais capturados pelo SDR, a fim de extrair os dados da imagem.
Esta etapa pode incluir operações como filtragem e ajuste da taxa de amostragem, com o objetivo de restaurar a forma original da imagem o máximo possível.
Finalmente, o sinal processado através das etapas acima é inserido em um ### modelo de IA que pode identificar e aprimorar características-chave na imagem, melhorando assim a clareza e legibilidade da imagem.
Em resumo, o processo inteiro inclui capturar sinais eletromagnéticos, usar software de código aberto para processar os sinais eletromagnéticos, e usar um modelo de ponta a ponta para processamento adicional.
Pode-se ver que a ### melhoria chave nesta pesquisa está no uso final de tecnologia de aprendizado profundo.
A equipe usou ### DRUNet (Deep Residual UNet), que é uma rede neural convolucional com estrutura codificador-decodificador, adequada para tarefas de restauração de imagem.
Através da otimização da estrutura da rede e do processo de treinamento, o DRUNet pode melhorar significativamente a qualidade da restauração da imagem, especialmente em termos de legibilidade do texto.
Redução da taxa de erro em cerca de 60%
Então, como este modelo de ponta a ponta se saiu especificamente?
Para testar, eles construíram um ### conjunto de dados contendo cerca de 3500 amostras, das quais cerca de 1300 eram sinais capturados reais, e o restante eram sinais simulados.
As amostras reais foram obtidas através de configurações experimentais, enquanto as amostras simuladas foram geradas usando um simulador GNU Radio baseado em modelos analíticos. Essas amostras foram usadas para treinar e avaliar o modelo.
A pesquisa mostrou que no conjunto de dados real, o Pure Model usando amostras complexas demonstrou ### o melhor desempenho em todas as métricas de avaliação (PSNR, SSIM, CER).
Especificamente, o método tradicional gr-tempest usando a magnitude da imagem original teve um CER ### superior a 90% no conjunto de dados real, enquanto o Pure Model (usando amostras complexas) reduziu o CER para ### 35,3%.
Ao mesmo tempo, modelos treinados em dados sintéticos podem enfrentar uma queda de desempenho em dados reais.
No entanto, ### através de ajuste fino (Fine-Tuning), mesmo usando apenas ### 10% das amostras reais, é possível alcançar um desempenho próximo ao do Pure Model treinado com todas as amostras reais.
Para verificar a robustez, o modelo foi testado com diferentes taxas de amostragem e resoluções de monitor, e os resultados mostraram que ### algumas mudanças de configuração podem levar a quedas significativas no desempenho.
Embora a equipe tenha aumentado significativamente a "taxa de quebra" do HDMI com o novo modelo, para prevenir riscos, a equipe também propôs ### contramedidas correspondentes.
Adicionando ### ruído de baixo nível ou usando gradientes de fundo nas imagens do monitor, a taxa de sucesso pode ser efetivamente reduzida.
Atualmente, a pesquisa relacionada e o conjunto de dados foram disponibilizados em código aberto, e os interessados podem ler o artigo para mais informações.
Links de referência: