DECKER: Domain-invariant Embedding for Cross-Keyboard Extraction and Recognition

Riepilogo Tecnico: DECKER – Embedding Invariante al Dominio per Estrazione e Riconoscimento Cross-Keyboard

1. Enunciato del Problema

Gli Attacchi a Canale Laterale Acustico (ASCA) sulle tastiere rappresentano un rischio di sicurezza significativo, consentendo agli avversari di inferire informazioni sensibili (password, messaggi privati) dagli acustici della digitazione. Sebbene ricerche precedenti abbiano validato la fattibilità degli ASCA, gli studi esistenti sono limitati da condizioni di valutazione ristrette: piccoli dataset, configurazioni con singola tastiera, ambienti controllati e specifiche demografie di utenti. Di conseguenza, i modelli ASCA attuali tendono a sovradattarsi a pattern spettrali specifici del dispositivo (identità della tastiera) piuttosto che apprendere le firme acustiche intrinseche dei tasti. Ciò si traduce in una scarsa generalizzazione quando gli attaccanti si trovano ad affrontare tastiere inedite, utenti diversi o ambienti rumorosi del mondo reale. Inoltre, le pipeline esistenti spesso trattano i battiti di tasti in modo indipendente, non sfruttando il contesto linguistico per correggere errori di previsione locali, un divario esacerbato dall'emergere dei Modelli Linguistici su Larga Scala (LLM).

2. Metodologia

Il documento introduce HEAR, un nuovo dataset, e DECKER, un framework di inferenza dei battiti di tasti invariante al dominio progettato per affrontare la generalizzazione attraverso tastiere, utenti e ambienti.

Il Dataset HEAR:
Per abilitare una valutazione realistica, gli autori hanno curato HEAR, contenente registrazioni di 53 partecipanti che digitavano su 37 diverse tastiere di laptop. Il dataset abbraccia tre modalità di acquisizione realistiche:

1. Acquisizione tramite microfono esterno.
2. Acquisizione tramite microfono integrato nel dispositivo (senza rumore di rete).
3. Acquisizione tramite streaming VoIP (simulando il rumore del canale di rete).
   Il dataset include metadati demografici e risposte relative alla consapevolezza dell'utente, supportando l'analisi del bias degli utenti e della generalizzazione cross-device.

Il Framework DECKER:
DECKER impiega una strategia di generalizzazione in quattro fasi per apprendere embedding che siano discriminativi per il tasto ma invarianti per la tastiera:

1. Normalizzazione della Firma della Tastiera (KSN): Un modulo di filtro inverso apprendibile (basato su CNN 1D) applicato a livello di forma d'onda per sopprimere la colorazione spettrale specifica del dispositivo (risposte impulsive) preservando al contempo le strutture transitorie dei battiti di tasti.
2. Disaccoppiamento Avversario al Dominio: Utilizzando un Livello di Inversione del Gradiente (GRL), il framework addestra un encoder per minimizzare la perdita di classificazione dei battiti di tasti massimizzando al contempo la difficoltà per un classificatore di dominio nel prevedere l'identità della tastiera dagli embedding.
3. Allineamento Contrastivo Supervisionato Cross-Keyboard: Un obiettivo di apprendimento contrastivo che avvicina gli embedding dello stesso tasto provenienti da tastiere diverse, allontanando invece tasti diversi, imponendo coerenza tra i domini.
4. Randomizzazione dello Stile Acustico (ASR): Una tecnica di aumento dei dati che sintetizza risposte di tastiera inedite applicando filtri IIR casuali, distorsione dell'involucro spettrale e perturbazioni di decadimento per simulare condizioni acustiche diverse.

Ricostruzione della Sequenza:
Per affrontare l'accumulo di errori in sequenze lunghe, DECKER integra una fase di decodifica assistita da LLM. Utilizza una ricerca a fascio vincolata con LLM pre-addestrati (ad es. GPT-2, FLAN-T5) per raffinare le previsioni rumorose dei battiti di tasti in testo coerente o password, sfruttando priori linguistici per correggere errori di sostituzione, inserimento e cancellazione.

3. Contributi Chiave

• Dataset HEAR: Un dataset completo, multi-dispositivo, multi-utente e multi-ambiente che unifica fattori come la diversità di genere, flussi VoIP e acquisizione NLoS (Non-Line-of-Sight), abilitando il primo studio robusto sulla generalizzazione degli ASCA.
• Benchmark Completo: Un nuovo framework di valutazione su HEAR che testa caratteristiche convenzionali e modelli pre-addestrati (PTM) in impostazioni unimodali e multimodali, quantificando il calo delle prestazioni dei metodi esistenti in scenari cross-keyboard e cross-user.
• Framework DECKER: Una pipeline di addestramento innovativa che combina KSN, disaccoppiamento avversario, allineamento contrastivo e ASR per ottenere rappresentazioni invarianti al dominio, superando significativamente le baseline unimodali e multimodali nei compiti di generalizzazione.
• Quantificazione del Rischio Assistita da LLM: Un'indagine sugli attacchi a livello di frase che dimostra come gli LLM migliorino sostanzialmente il recupero delle sequenze, fornendo un limite superiore realistico sui rischi di perdita di battiti di tasti in scenari open-world.

4. Risultati

Le valutazioni empiriche sul dataset HEAR producono i seguenti risultati:

• Fallimento delle Baseline: Baseline unimodali forti (ad es. wav2vec2, ECAPA-TDNN) e fusioni multimodali subiscono cali significativi delle prestazioni (37–41%) quando testate su tastiere inedite, confermando che codificano l'identità del dispositivo piuttosto che l'identità del tasto.
• Prestazioni di DECKER: DECKER riduce significativamente il divario di generalizzazione. Su tastiere inedite, raggiunge un'accuratezza Top-1 dell'81,3% rispetto al 58,1% della migliore baseline unimodale (ECAPA-TDNN) e al 63,2% per le baseline di fusione multimodale.
• Ablazione dei Componenti: La rimozione di KSN causa il calo di prestazioni più ampio (da 81,3% a 63,7% su tastiere inedite), evidenziando il ruolo critico della normalizzazione della forma d'onda. L'addestramento avversario al dominio da solo (GRL) migliora le prestazioni ma è insufficiente senza KSN e allineamento contrastivo.
• Impatto degli LLM: La decodifica assistita da LLM migliora significativamente la ricostruzione a livello di frase. Per password simili a quelle umane, GPT-4 ha migliorato l'accuratezza di corrispondenza esatta al 72,8% (dal 42,6% grezzo), mentre i miglioramenti per stringhe casuali ad alta entropia sono stati trascurabili, indicando la dipendenza dell'attacco dalla struttura linguistica.
• Fattibilità: L'inferenza su un laptop Apple M1 commerciale dimostra che DECKER può elaborare battiti di tasti in tempo reale (~430 battiti/sec) e ricostruire frasi con latenza interattiva, senza richiedere cluster GPU.

5. Significato e Affermazioni

Il documento afferma che gli ASCA rimangono una minaccia reale credibile e sottovalutata. Gli autori sostengono che le valutazioni precedenti potrebbero essere state eccessivamente ottimiste riguardo ai limiti degli ASCA a causa della dipendenza da regimi di addestramento controllati e su singolo dispositivo. Dimostrando che l'apprendimento invariante al dominio può generalizzare efficacemente attraverso hardware e ambienti diversi, lo studio suggerisce che la superficie di attacco è più ampia di quanto precedentemente riconosciuto.

L'integrazione degli LLM è evidenziata come un fattore critico che amplifica il rischio pratico degli ASCA, trasformando previsioni acustiche rumorose in testo coerente e sensibile. Gli autori concludono che le future difese di sicurezza devono tenere conto sia dell'oscuramento acustico fisico sia di contromisure algoritmiche contro l'elaborazione linguistica successiva, poiché gli ASCA non sono più confinati a condizioni di laboratorio ma sono fattibili in ambienti condivisi, rumorosi e pubblici.