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

Cada vez que una persona escribe en un teclado de computadora estándar, crea un sonido diminuto y distintivo. Para el oído humano, estos clics y chasquidos se mezclan en un ritmo uniforme, indistinguible entre sí. Sin embargo, la física de la máquina cuenta una historia diferente. Cada tecla, dependiendo de su ubicación y del mecanismo específico debajo de ella, produce una firma acústica única. Así como una huella dactilar identifica a una persona, estas sutiles variaciones de sonido pueden identificar una tecla específica. Este fenómeno constituye la base de una amenaza de seguridad conocida como registro de teclas acústico (acoustic keylogging). A diferencia de los métodos tradicionales de hackeo que requieren instalar software malicioso en la computadora de la víctima, este ataque se basa en capturar el sonido desde el exterior. Con los micrófonos de los teléfonos inteligentes y las computadoras portátiles modernas volviéndose cada vez más sensibles, el potencial para que un atacante grabe estos sonidos y reconstruya una contraseña o un mensaje confidencial ha pasado de ser una posibilidad teórica a una preocupación práctica.

Investigadores de la Universidad de Portsmouth se propusieron determinar qué tan factible es este ataque cuando ocurre en tiempo real, en lugar de después de los hechos. Si bien estudios previos habían demostrado que las máquinas podían aprender a distinguir estos sonidos, a menudo dependían del análisis de grabaciones completas de sesiones de escritura una vez finalizadas. Este enfoque pasaba por alto una pregunta crítica: ¿podría un sistema escuchar a una persona escribir, identificar cada tecla a medida que se presiona y hacerlo lo suficientemente rápido como para ser útil para un atacante mientras la escritura aún está ocurriendo? Para responder a esto, el equipo construyó un prototipo de sistema diseñado para imitar un escenario de escucha en vivo. Utilizaron un teléfono inteligente estándar para grabar los sonidos de un teclado mecánico y luego introdujeron ese audio en un programa informático especializado. Este programa, basado en un tipo de inteligencia artificial conocida como red neuronal convolucional, fue entrenado para reconocer los patrones visuales de las ondas sonoras, convirtiendo el audio en imágenes que la computadora pudiera analizar.

Los experimentos del equipo revelaron que tal sistema es, de hecho, capaz de operar en tiempo real. En sus pruebas, el sistema procesó el audio e identificó las teclas pulsadas con un retraso promedio de solo 0,35 segundos después de cada pulsación. Esta velocidad es lo suficientemente rápida como para considerarse instantánea para la mayoría de los propósitos prácticos. Cuando los investigadores probaron el sistema con contraseñas comunes, este reconstruyó con éxito las secuencias escritas con alta precisión, recuperando a menudo la cadena completa correctamente. El sistema cometía errores ocasionales, pero estos errores rara vez eran aleatorios; cuando la máquina fallaba, casi siempre elegía una tecla ubicada físicamente junto a la correcta en el teclado. Esto sugiere que el sistema tenía dificultades para distinguir entre dos sonidos muy similares, en lugar de fallar por completo.

Sin embargo, el estudio también destacó debilidades significativas que podrían proteger a los usuarios. El éxito del sistema dependía en gran medida del entorno en el que fue entrenado. Cuando los investigadores introdujeron ruido de fondo, como el parloteo y el zumbido de una oficina concurrida, la capacidad del sistema para identificar las teclas disminuyó drásticamente. Del mismo modo, si el dispositivo de grabación se alejaba incluso una corta distancia del teclado, o si el mecanógrafo cambiaba su velocidad o presión, la precisión sufría. El hallazgo más sorprendente fue que el sistema no podía adaptarse fácilmente a un teclado diferente. Un modelo entrenado en un teclado mecánico específico fallaba casi por completo al intentar escuchar una marca diferente, lo que sugiere que el ataque depende de características de hardware muy específicas.

Quizás lo más preocupante para los expertos en seguridad fue el descubrimiento de que el sistema no necesitaba vastas cantidades de datos para aprender. Los investigadores encontraron que la inteligencia artificial podía entrenarse eficazmente con tan solo cuatro grabaciones de la pulsación de cada tecla. Este bajo requisito significa que un atacante no necesita pasar semanas recolectando datos para construir una herramienta funcional; una sesión de grabación breve y dirigida podría ser suficiente. A pesar de estas capacidades, el estudio concluyó que la amenaza no es invencible. Los investigadores propusieron varias defensas prácticas, como escribir en entornos ruidosos, variar la velocidad de escritura o utilizar software que complete las contraseñas automáticamente para evitar las pulsaciones físicas de teclas por completo. Si bien la tecnología para escuchar las pulsaciones de teclas en tiempo real está indudablemente presente, el estudio sugiere que cambios simples en el comportamiento y el entorno pueden interrumpir eficazmente el ataque, convirtiendo una vulnerabilidad potencial en un riesgo manejable.