前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >安全资讯|SurfingAttack –通过超声波入侵手机

安全资讯|SurfingAttack –通过超声波入侵手机

作者头像
用户5836910
发布于 2022-06-02 08:28:49
发布于 2022-06-02 08:28:49
6900
举报

SurfingAttack是一种黑客技术,可以看到以超声波编码的语音命令以无声方式激活手机的数字助理。该技术可用于执行多种操作,例如拨打电话或阅读短信

SurfingAttack技术已于上周在加利福尼亚举行的网络和分布式系统安全研讨会上进行了介绍。

“我们设计了一种新的名为SurfingAttack的攻击,它将使语音控制的设备与攻击者之间的多轮交互能够实现更长的距离,而无需在视线范围内。” 阅读专家发表的研究论文。“通过完成听不见的声音攻击的交互循环,SurferingAttack启用了新的攻击方案,例如劫持了移动短消息服务(SMS)密码,在所有者不知情的情况下进行虚假欺诈呼叫等”

密歇根州立大学,内布拉斯加州林肯大学和美国圣路易斯华盛顿大学以及中国科学院的专家们对17种小工具模型测试了SurfingAttack技术。13台设备运行的是带有Google Assistant的Android,四台是运行Apple的Siri的iPhone。

研究人员能够控制15台设备,该技术对三星的Galaxy Note 10+和华为的Mate 9无效。

圣路易斯计算机科学与工程学助理教授张宁周四说:``我们希望提高对这种威胁的认识。'' “我希望公众中所有人都知道这一点。”

攻击场景中发现一台笔记本电脑与受害者手机位于不同的房间。笔记本电脑通过Wi-Fi或蓝牙连接到波形发生器,该发生器设备必须在目标手机附近。

攻击者使用笔记本电脑通过超声波制作的特制语音命令,并通过发生器将其发出。攻击者可以使用放置在桌子下方的圆形压电圆盘,该圆压电圆盘从发生器发射脉冲。

“以前的攻击中使用的传统超声扬声器由于其换能器结构而不适用于激发桌子材料中的导波。为了适应固体介质,我们利用一种特殊类型的超声换能器,即压电(PZT)换能器,通过引起固体材料的微小振动来产生超声导波。” 继续本文。“但是,由于在不同的固体材料中超声传输的独特特性,与通过空中传送操纵信号相比,选择不同模式的导波会导致攻击结果的显着差异。”

无法听见的超声波在桌子上传播,从而引起受害人的电话接收到振动并激活数字助理。攻击者可以使用桌子下方的窃听设备录制助手,然后将音频中继回攻击者的笔记本电脑以解码响应。

研究人员发布了有关这次攻击的视频PoC,其中显示了通过脉冲发送的无声命令如何指示助手执行各种操作。(视频链接:https://youtu.be/pQw2zRAqVnI)

专家指出,为了激活受害者的智能手机,攻击者必须模仿他的声音。

专家解释说,做到这一点的最佳方法是使用机器学习技术。

“论文的第一作者,密歇根州立大学计算机科学助理教授闫本本告诉《寄存器》,该团队使用Lyrebird来模拟实验中的声音。” 报告了寄存器。

研究人员解释说,语音助手必须具有控制设备进行攻击的权限,通常,助手仅具有有限的功能。

研究人员建议禁用语音命令或仅允许助手在手机解锁时接收命令。

“研究小组提出了一些防御机制,可以防御此类攻击。 张说,一种想法是开发手机软件,该软件可以分析接收到的信号以区分超声波和真实的人声。 改变手机的布局,例如麦克风的位置,以抑制或抑制超声波,也可以阻止网上冲浪。” 专家总结。

“但是最后Zhang还表示说,有一种简单的方法可以使手机免受超声波的攻击:基于中间层的防御,它使用柔软的机织织物来增加“阻抗失配”。

“换句话说,将手机放在桌布上。”


文章由白帽技术与网络安全整理编译

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-03-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 白帽技术与网络安全 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
CTR学习笔记&代码实现4-深度ctr模型 NFM/AFM
这一节我们总结FM另外两个远亲NFM,AFM。NFM和AFM都是针对Wide&Deep 中Deep部分的改造。上一章PNN用到了向量内积外积来提取特征交互信息,总共向量乘积就这几种,这不NFM就带着element-wise(hadamard) product来了。AFM则是引入了注意力机制把NFM的等权求和变成了加权求和。
风雨中的小七
2020/05/08
1.5K0
CTR学习笔记&代码实现4-深度ctr模型 NFM/AFM
业界 | 从FM推演各深度CTR预估模型(附代码)
多年以后,当资深算法专家们看着无缝对接用户需求的广告收入节节攀升时,他们可能会想起自己之前痛苦推导FM与深度学习公式的某个夜晚……
大数据文摘
2018/07/31
2K0
业界 | 从FM推演各深度CTR预估模型(附代码)
CTR学习笔记&代码实现3-深度ctr模型 FNN->PNN->DeepFM
这一节我们总结FM三兄弟FNN/PNN/DeepFM,由远及近,从最初把FM得到的隐向量和权重作为神经网络输入的FNN,到把向量内/外积从预训练直接迁移到神经网络中的PNN,再到参考wide&Deep框架把人工特征交互替换成FM的DeepFM,我们终于来到了2017年。。。
风雨中的小七
2020/04/24
1.7K6
CTR学习笔记&代码实现3-深度ctr模型 FNN->PNN->DeepFM
CTR学习笔记&代码实现6-深度ctr模型 后浪 xDeepFM/FiBiNET
xDeepFM用改良的DCN替代了DeepFM的FM部分来学习组合特征信息,而FiBiNET则是应用SENET加入了特征权重比NFM,AFM更进了一步。在看两个model前建议对DeepFM, Deep&Cross, AFM,NFM都有简单了解,不熟悉的可以看下文章最后其他model的博客链接。
风雨中的小七
2020/06/02
1.8K0
CTR学习笔记&代码实现6-深度ctr模型 后浪 xDeepFM/FiBiNET
CTR神经网络特征交叉汇总!
本篇文章把之前一个月学习的网络特征交叉的文章结合自己平时实践的经验梳理一遍,方便今后学习回顾。
炼丹笔记
2021/05/14
1.3K0
CTR神经网络特征交叉汇总!
推荐系统遇上深度学习(八)--AFM模型理论和实践
在CTR预估中,为了解决稀疏特征的问题,学者们提出了FM模型来建模特征之间的交互关系。但是FM模型只能表达特征之间两两组合之间的关系,无法建模两个特征之间深层次的关系或者说多个特征之间的交互关系,因此学者们通过Deep Network来建模更高阶的特征之间的关系。
石晓文
2018/07/25
2.3K1
推荐系统遇上深度学习(八)--AFM模型理论和实践
CTR学习笔记&代码实现5-深度ctr模型 DeepCrossing -> DCN
之前总结了PNN,NFM,AFM这类两两向量乘积的方式,这一节我们换新的思路来看特征交互。DeepCrossing是最早在CTR模型中使用ResNet的前辈,DCN在ResNet上进一步创新,为高阶特征交互提供了新的方法并支持任意阶数的特征交叉。
风雨中的小七
2020/05/20
2.2K0
CTR学习笔记&代码实现5-深度ctr模型 DeepCrossing -> DCN
CTR预估算法之FM, FFM, DeepFM及实践
点击率(Click through rate)是点击特定链接的用户与查看页面,电子邮件或广告的总用户数量之比。 它通常用于衡量某个网站的在线广告活动是否成功,以及电子邮件活动的有效性。 点击率是广告点击次数除以总展示次数(广告投放次数)
全栈程序员站长
2022/07/01
5640
CTR预估算法之FM, FFM, DeepFM及实践
推荐系统炼丹笔记3:排序篇,一本家谱
第3期,排序篇 本文介绍在排序阶段交叉模块的思考和基于LR+GBDT、FM等开始的排序模型的演变,后续将继续梳理成相关系列。本文小编大部分内容摘自炼丹笔记之前的汇总.....实在是太懒了。
炼丹笔记
2021/12/02
6990
推荐系统炼丹笔记3:排序篇,一本家谱
炼丹知识点:深度网络特征交叉方法汇总
本篇文章把神经网络特征交叉的文章结合自己平时实践的经验梳理一遍,方便今后学习回顾。
炼丹笔记
2022/05/23
2.2K0
炼丹知识点:深度网络特征交叉方法汇总
【推荐系统】深入理解推荐系统:无需人工特征工程的xDeepFM
作为【推荐系统】系列文章的第十五篇,将以“xDeepFM”作为今天的主角,中科大、北大与微软合作发表在 KDD’18 的文章:《xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems》。本文主要对xDeepFM进行详细描述,并进行代码实现。
黄博的机器学习圈子
2021/07/07
1.2K0
【推荐系统】深入理解推荐系统:无需人工特征工程的xDeepFM
互联网广告CTR预估新算法:基于神经网络的DeepFM原理解读
CTR(Click-Through-Rate)即点击通过率,是互联网广告常用的术语,指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率,即该广告的实际点击次数除以广告的展现量。
用户1737318
2018/09/28
1.3K0
互联网广告CTR预估新算法:基于神经网络的DeepFM原理解读
深度学习在CTR预估中的应用
深度学习凭借其强大的表达能力和灵活的网络结构在NLP、图像、语音等众多领域取得了重大突破。在广告领域,预测用户点击率(Click Through Rate,简称CTR)领域近年也有大量关于深度学习方面的研究,仅这两年就出现了不少于二十多种方法。本文就近几年CTR预估领域中学术界的经典方法进行探究, 并比较各自之间模型设计的初衷和各自优缺点。通过十种不同CTR深度模型的比较,不同的模型本质上都可以由基础的底层组件组成。
鹅厂优文
2018/04/20
4.7K10
深度学习在CTR预估中的应用
推荐系统遇上深度学习(七)--NFM模型理论和实践
在CTR预估中,为了解决稀疏特征的问题,学者们提出了FM模型来建模特征之间的交互关系。但是FM模型只能表达特征之间两两组合之间的关系,无法建模两个特征之间深层次的关系或者说多个特征之间的交互关系,因此学者们通过Deep Network来建模更高阶的特征之间的关系。
石晓文
2018/07/25
1.7K0
推荐系统遇上深度学习(七)--NFM模型理论和实践
CTR学习笔记&代码实现1-深度学习的前奏LR->FFM
CTR学习笔记系列的第一篇,总结在深度模型称王之前经典LR,FM, FFM模型,这些经典模型后续也作为组件用于各个深度模型。模型分别用自定义Keras Layer和estimator来实现,哈哈一个是旧爱一个是新欢。特征工程依赖feature_column实现,这里做的比较简单在后面的深度模型再好好搞。完整代码在这里https://github.com/DSXiangLi/CTR
风雨中的小七
2020/03/19
4820
CTR学习笔记&代码实现1-深度学习的前奏LR->FFM
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)
在广告、推荐系统CTR预估问题上,早期的完全规则方法被过渡到以LR为代表的机器学习方法,为了充分发挥组合特征的价值,在相当长一段时间里,业界热衷于使用LR+人工特征工程。但人工组合特征成本高昂 ,在不同任务上也难以复用。2010年FM因子分解方法的出现解决了人工组合特征的困境,2014年Facebook提出的GBDT+LR也给出了一种利用树模型特点构建组合特征的思路。不过随着深度学习的崛起,2015年以后,借助非线性自动组合特征能力的深度模型,开始成为业内的主流。从经典DNN到结合浅层的Wide&Deep,用于CTR预估的深度模型在近些年间百花盛开,各种交叉特征建模方法层出不穷,Attention机制也从其他研究领域引入,帮助更好的适应业务,提升模型的解释性。在这进化路线之下,核心问题离不开解决数据高维稀疏难题,自动化组合特征,模型可解释。我们梳理了近些年CTR预估问题中有代表性的模型研究/应用成果,并对部分经典模型的实现原理进行详细剖析,落成文字作为学习过程的记录。
炼丹笔记
2021/05/14
5.3K0
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)
​大厂技术实现 | 腾讯信息流推荐排序中的并联双塔CTR结构 @推荐与计算广告系列
双塔模型是推荐、搜索、广告等多个领域的算法实现中最常用和经典的结构,实际各公司应用时,双塔结构中的每个塔会做结构升级,用CTR预估中的新网络结构替代全连接DNN,本期看到的是腾讯浏览器团队的推荐场景下,巧妙并联CTR模型应用于双塔的方案。
ShowMeAI
2021/11/24
3.6K1
​大厂技术实现 | 腾讯信息流推荐排序中的并联双塔CTR结构 @推荐与计算广告系列
推荐系统遇上深度学习(六)--PNN模型理论和实践
推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践
石晓文
2018/07/25
2K0
推荐系统遇上深度学习(六)--PNN模型理论和实践
浅谈推荐,从FM到深度学习
大家好,上一篇文章当中我们介绍了Embedding对于推荐系统模型的作用,介绍了FFM和AFM的基本原理。今天我们继续来介绍FM,介绍一下FM之后的几个重要的迭代版本,以及它的发展方向。
TechFlow-承志
2021/04/16
1.4K0
浅谈推荐,从FM到深度学习
推荐系统遇上深度学习(二十一)--阶段性回顾
本系列已经写了二十篇了,但推荐系统的东西还有很多值得探索和学习的地方。不过在这之前,我们先静下心来,一起回顾下之前学习到的东西!
石晓文
2018/07/25
2.9K0
推荐系统遇上深度学习(二十一)--阶段性回顾
推荐阅读
相关推荐
CTR学习笔记&代码实现4-深度ctr模型 NFM/AFM
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档