最新研究表明,智能手表、健康追踪器(Fitness Tracker)等腕带和臂章设备有可能被攻击者用来监视你;此外,通过智能手表中内置的运动传感器,攻击者能够通过受害者手部运动数据来猜测用户向键盘上输入的数据。
可穿戴设备安全问题
关于利用物联网设备来监视用户的可能性,我们之前已经讨论了好多次。缺乏安全性的设计以及糟糕的安全设置,都有可能向黑客敞开攻击的大门。通过一个智能手表或者健康追踪器,黑客就能知道用户在键盘上输入的个人信息。
运动泄漏项目
在今年9月份,ECE伊利诺斯州的副教授Romit Roy Choudhury领导一组学生,开发了一个移动APP,这个应用程序能够通过分析智能手表的移动来检测用户按下的键盘按键。这些研究人员计划在本周巴黎举行的MobiCon 2015大会上展示这一研究成果。
这个项目称为“运动泄漏(Motion Leaks,MoLe)”,它由美国国家科学基金会资助。目前,研究人员已经在一款三星Gear Live智能手表上安装了这个本土APP。
使用智能手表的内置运动传感器,以及来自加速度计和陀螺仪的更具体数据,在用户利用键盘打字时,研究人员能够创建一个用户手运动轨迹的3D地图。
深度监视项目
现在,哥本哈根大学的一位硕士研究生Tony Beltramelli,提出了另一个名为“深度监视(deep-spying)”的项目,它利用可穿戴设备内置的陀螺仪和加速度计收集的数据进行监视。通过分析用户运动,可以猜测他们通过键盘所写的内容。例如,当受害者访问一台ATM机时,就能够通过他手部的运动来猜测他输入PIN码的信息。
Beltramelli写道:
“智能手表确实可能会穿戴一整天,这就向网络罪犯提供了一个普遍的攻击面。因此,这一点意义重大:利用运动传感器连续猜测按键内容可能一直会发生。”
由Beltramelli开发的软件从索尼智能手表3收集运动数据,并通过分析它来猜测用户输入的所有信息。下面的POC视频演示了猜测在键盘上输入数字的系统。
这位研究者的目标是,提高用户对物联网设备中内置的运动传感器风险的认识,并展示如何使用它们来监视用户。论文中陈述道:
“在这项研究中,基于LSTM的实现可以在12-键的小型键盘上执行高精度的触控日志和键盘日志功能,即使面对原始未经处理的数据也能达到很高的精度。因此证明,通过基于运动传感器所收集的数据,并进行不相关数据的排除及精心设计的特征提取策略,深层神经网络能够执行按键推理攻击。”
最后,这项研究表明,智能手表和其他可穿戴设备正在扩大我们受攻击的攻击面。
好文章,需要你的鼓励
Salesforce发布Agentforce 3平台重大升级,新增指挥中心提供AI智能体实时性能监控,支持MCP开放标准实现与数百种企业工具无缝集成。数据显示AI智能体使用量六个月内激增233%,超8000家客户部署该技术。百事可乐等全球企业已将其深度集成到业务运营中。新版本还提供50%更低延迟、增强安全性和200多个预配置行业操作模板,帮助企业快速部署功能性AI智能体。
耶鲁大学研究团队开发了SCIVER评估工具,专门测试AI验证科学论文声明的能力。通过3000个专家标注例子的测试,发现即使最先进的AI模型在复杂科学推理任务上仍远不如人类专家,主要存在信息检索不全、图表误读和逻辑推理断裂等问题,为AI科研应用发展指明了改进方向。
MIT研究人员开发出自适应语言模型(SEAL)框架,让大型语言模型能够持续学习并通过更新自身内部参数进行适应。SEAL教会模型生成自己的训练数据和更新指令,永久吸收新知识并掌握新任务。该框架采用双循环系统和强化学习算法,让模型学会创建个性化学习指南。在知识整合测试中准确率达47%,在少样本学习中成功率达72.5%。这对企业AI应用具有重要意义,特别适用于动态环境中的AI智能体,但仍存在灾难性遗忘等局限性。
马里兰大学团队开发出PrefBERT智能评价系统,解决了AI在开放性写作任务中缺乏有效质量评判标准的问题。该系统通过学习人类专家评分标准,能准确评判文章质量,显著提升AI生成内容的质量和人类偏好一致性,为AI训练提供了新的质量导向解决方案。