Перейти к содержимому

ИИ научился читать изображение с экрана через HDMI: даже защищённые кабели могут выдавать секреты

Исследователи продемонстрировали необычный способ перехвата изображения с компьютерного монитора: искусственный интеллект способен восстанавливать содержимое экрана, анализируя электромагнитное излучение HDMI-кабеля. Технология использует побочные сигналы, которые возникают при передаче видеоданных и могут выходить за пределы экранирования. В результате даже обычное проводное подключение потенциально становится источником утечки конфиденциальной информации.


Как можно подсмотреть изображение через HDMI

В основе технологии лежит метод электромагнитной разведки TEMPEST. Его принцип заключается в том, что электронные устройства непреднамеренно излучают электромагнитные сигналы, которые могут содержать информацию об их работе.

HDMI передаёт видеоданные в цифровом виде, используя технологию кодирования TMDS. Несмотря на экранирование кабелей и конструктивные меры защиты от помех, часть электромагнитного излучения всё равно может выходить наружу.

Специальная антенна способна улавливать такие сигналы. Затем при помощи программно-определяемого радиоприёмника (SDR) они записываются и обрабатываются, превращаясь в изображение, которое можно попытаться восстановить.

Ранее подобные эксперименты позволяли получать преимущественно искажённые и малопригодные для анализа картинки. Цифровой сигнал HDMI значительно сложнее для перехвата, чем аналоговый видеосигнал старых интерфейсов.

Искусственный интеллект сделал перехват значительно эффективнее

Серьёзный прогресс обеспечила система Deep-TEMPEST, разработанная исследователями из Университета Республики в Уругвае. Она использует нейросеть для восстановления исходного изображения по перехваченным электромагнитным сигналам.

Алгоритм анализирует полученные данные и пытается устранить искажения, восстановить элементы изображения и сделать текст более различимым. По результатам исследования, применение машинного обучения позволило улучшить точность распознавания текста более чем на 60 процентных пунктов по сравнению с предыдущими реализациями подобных методов.

Разработчики также опубликовали исходный код и набор данных, включающий около 3500 образцов, из которых приблизительно 1300 получены в ходе реальных измерений.

Экранирование не гарантирует полной защиты

Особенность подобной атаки заключается в том, что для неё не требуется подключаться к компьютеру или получать доступ к локальной сети. Достаточно иметь возможность принимать электромагнитное излучение, исходящее от кабеля и разъёмов.

При этом качество восстановления зависит от множества факторов: конструкции HDMI-кабеля, эффективности экранирования, расстояния до оборудования, уровня радиопомех и характеристик приёмника.

Однако говорить о возможности незаметно читать любой монитор из автомобиля через улицу пока преждевременно. В демонстрациях полученное изображение остаётся несовершенным, а для успешного перехвата требуются специализированное оборудование и подходящие условия.

Насколько серьёзна эта угроза

В первую очередь технология представляет интерес для сценариев, в которых обрабатывается особо конфиденциальная информация: государственных учреждений, военных объектов, исследовательских центров и организаций, работающих с секретными документами.

Показательно, что проблема не ограничивается HDMI. Подобные побочные электромагнитные излучения могут возникать и у других интерфейсов и электронных устройств.

Для снижения риска применяются специализированные экранированные кабели, фильтрация помех, правильная организация рабочего пространства и оборудование, соответствующее требованиям электромагнитной защиты.

Таким образом, развитие Deep-TEMPEST показывает, что даже цифровая передача данных по проводному соединению не гарантирует абсолютной конфиденциальности. Искусственный интеллект превращает ранее практически бесполезные электромагнитные помехи в дополнительный источник информации, который потенциально можно использовать для промышленного и технического шпионажа.

Оригинальный проект с исходным кодом: Deep-TEMPEST на GitHub.
Пока нет комментариевВойдите в аккаунт, чтобы начать обсуждение.