Real-Time Acoustic Keylogging: A Convolutional Neural Network Based Approach

في كل مرة يكتب فيها شخص ما على لوحة مفاتيح كمبيوتر قياسية، فإنه يُحدث صوتاً طفيفاً ومتميزاً. بالنسبة للأذن البشرية، تندمج هذه النقرات والطرقعات لتصبح إيقاعاً موحداً لا يمكن تمييز نغماته عن بعضها البعض. ومع ذلك، فإن فيزياء الآلة تروي قصة مختلفة؛ فكل مفتاح، اعتماداً على موقعه والآلية المحددة الموجودة تحته، يُنتج بصمة صوتية فريدة. تماماً كما تحدد بصمة الإصبع هوية الشخص، يمكن لهذه الاختلافات الطفيفة في الصوت أن تحدد مفتاحاً معيناً. تشكل هذه الظاهرة أساس تهديد أمني يُعرف باسم "تسجيل ضربات المفاتيح صوتياً" (acoustic keylogging). وخلافاً لطرق الاختراق التقليدية التي تتطلب تثبيت برامج خبيثة على جهاز الضحية، يعتمد هذا الهجوم على التقاط الصوت من الخارج. ومع زيادة حساسية الميكروفونات في الهواتف الذكية وأجهزة الكمبيوتر المحمولة الحديثة، انتقلت إمكانية قيام مهاجم بتسجيل هذه الأصوات وإعادة بناء كلمة مرور أو رسالة سرية من مجرد احتمال نظري إلى شاغل عملي.

لقد سعى باحثون في جامعة بورتسموث إلى تحديد مدى جدوى هذا الهجوم عندما يحدث في الوقت الفعلي، بدلاً من حدوثه بعد انتهاء العملية. وبينما أظهرت دراسات سابقة أن الآلات يمكنها التعلم للتمييز بين هذه الأصوات، إلا أنها كانت تعتمد غالباً على تحليل تسجيلات كاملة لجلسات الكتابة بعد اكتمالها. وقد أغفل هذا النهج سؤالاً حاسماً: هل يمكن لنظام ما أن يستمع إلى شخص يكتب، ويحدد كل مفتاح عند ضغطه، ويفعل ذلك بسرعة كافية ليكون مفيداً لمهاجم أثناء عملية الكتابة نفسها؟ وللإجابة على ذلك، بنى الفريق نموذجاً أولياً مصمماً لمحاكاة سيناريو الاستماع المباشر. استخدموا هاتفاً ذكياً عادياً لتسجيل أصوات لوحة مفاتيح ميكانيكية، ثم أدخلوا ذلك الصوت في برنامج كمبيوتر متخصص. هذا البرنامج، الذي بُني على نوع من الذكاء الاصطناعي يُعرف بالشبكة العصبية التلافيفية، تم تدريبه على التعرف على الأنماط المرئية للموجات الصوتية، محولاً الصوت إلى صور يمكن للكمبيوتر تحليلها.

وكشفت تجارب الفريق أن مثل هذا النظام قادر بالفعل على العمل في الوقت الفعلي. وفي اختباراتهم، عالج النظام الصوت وحدد المفاتيح المكتوبة بمتوسط تأخير قدره 0.35 ثانية فقط بعد كل ضغطة مفتاح. وهذه السرعة تعتبر كافية لاعتبارها فورية للأغراض العملية معظمها. وعندما اختبر الباحثون النظام باستخدام كلمات مرور شائعة، نجح في إعادة بناء التسلسلات المكتوبة بدقة عالية، وغالباً ما استعاد السلسلة بأكملها بشكل صحيح. ارتكب النظام أخطاءً عرضية، لكن هذه الأخطاء لم تكن عشوائية أبداً؛ فعندما كان الجهاز يخطئ في التخمين، كان يختار دائماً مفتاحاً يقع مادياً بجانب المفتاح الصحيح على لوحة المفاتيح. يشير هذا إلى أن النظام كان يعاني في التمييز بين صوتين متشابهين جداً، بدلاً من الفشل التام.

ومع ذلك، سلطت الدراسة الضوء أيضاً على نقاط ضعف كبيرة يمكنها حماية المستخدمين. فقد اعتمد نجاح النظام بشكل كبير على البيئة التي تم التدريب فيها. فعندما أدخل الباحثون ضوضاء خلفية، مثل ثرثرة وهمهمة مكتب مزدحم، انخفضت قدرة النظام على تحديد المفاتيح بشكل كبير. وبالمثل، إذا تم تحريك جهاز التسجيل لمسافة قصيرة بعيداً عن لوحة المفاتيح، أو إذا غير الكاتب سرعته أو قوة ضغطه، تضررت الدقة. وكانت النتيجة الأكثر لفتاً للانتباه هي أن النظام لم يستطع التكيف بسهولة مع لوحة مفاتيح مختلفة؛ إذ فشل النموذج الذي تم تدريبه على لوحة مفاتيح ميكانيكية محددة فشلاً شبه تام عند مطالبته بالاستماع إلى علامة تجارية أخرى، مما يشير إلى أن الهجوم يعتمد على خصائص تقنية دقيقة للغاية.

ولعل الأمر الأكثر إثارة للقلق بالنسبة لخبراء الأمن هو اكتشاف أن النظام لم يكن بحاجة إلى كميات هائلة من البيانات للتعلم. فقد وجد الباحثون أن الذكاء الاصطناعي يمكن تدريبه بفعالية باستخدام أربعة تسجيلات فقط لكل مفتاح يتم ضغطه. وهذا المتطلب المنخفض يعني أن المهاجم لا يحتاج لقضاء أسابيع في جمع البيانات لبناء أداة عاملة؛ إذ قد تكون جلسة تسجيل قصيرة ومستهدفة كافية. ورغم هذه القدرات، خلصت الدراسة إلى أن التهديد ليس منيعاً. فقد اقترح الباحثون عدة دفاعات عملية، مثل الكتابة في بيئات صاخبة، أو تنويع سرعة الكتابة، أو استخدام برامج تقوم بملء كلمات المرور تلقائياً لتجنب الضغط الفيزيائي على المفاتيح تماماً. وبينما لا يمكن إنكار وجود التكنولوجيا القادرة على الاستماع إلى ضربات المفاتيح في الوقت الفعلي، إلا أن الدراسة تشير إلى أن التغييرات البسيطة في السلوك والبيئة يمكن أن تعطل الهجوم بفعالية، محولةً ثغرة محتملة إلى خطر يمكن السيطرة عليه.