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
SAP S/4HANA内存ERP系统推出十多年后,95%的传统用户表示构建积极的迁移案例需要巨大努力或面临真正挑战。一项涵盖455名CIO、高级IT角色、SAP专家和业务经理的调查发现,83%的受访者不完全理解SAP最新的迁移政策和截止日期,84%对当前信息传递及其对运营的影响表示担忧。SAP为传统ECC系统设定了激进的支持截止日期,主流支持将于2027年结束。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
微软通过其Planetary Computer平台将NASA的Landsat和Sentinel-2卫星数据集引入Azure云服务。该数据集包含来自NASA的Landsat 8、9号卫星以及欧洲航天局Sentinel-2系列卫星的地球监测数据,为气候变化、土地利用、农业应用等研究提供宝贵资源。用户可通过API或Azure存储直接访问这些PB级全球环境数据。微软还建议研究人员使用Azure OpenAI服务创建智能应用,结合AI技术进行土地分类、植被监测、森林砍伐趋势分析等地球观测研究。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。