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

Resumo Técnico: DECKER – Embedding Invariante de Domínio para Extração e Reconhecimento entre Teclados

1. Declaração do Problema

Ataques de Canal Lateral Acústico (ASCA) em teclados representam um risco de segurança significativo, permitindo que adversários infiram informações sensíveis (senhas, mensagens privadas) a partir de acústicas de digitação. Embora pesquisas anteriores tenham validado a viabilidade do ASCA, estudos existentes são limitados por condições de avaliação restritas: conjuntos de dados pequenos, configurações de teclado único, ambientes controlados e demografias específicas de usuários. Consequentemente, os modelos atuais de ASCA tendem a sobreajustar-se a padrões espectrais específicos do dispositivo (identidade do teclado) em vez de aprender as assinaturas acústicas intrínsecas das teclas. Isso resulta em baixa generalização quando os atacantes enfrentam teclados não vistos, usuários diversos ou ambientes ruidosos do mundo real. Além disso, pipelines existentes frequentemente tratam as batidas de tecla de forma independente, falhando em aproveitar o contexto linguístico para corrigir erros de previsão locais, uma lacuna exacerbada pelo surgimento de Modelos de Linguagem de Grande Porte (LLMs).

2. Metodologia

O artigo apresenta HEAR, um novo conjunto de dados, e DECKER, um framework de inferência de batidas de tecla invariante de domínio projetado para abordar a generalização entre teclados, usuários e ambientes.

O Conjunto de Dados HEAR:
Para permitir uma avaliação realista, os autores curaram o HEAR, contendo gravações de 53 participantes digitando em 37 teclados de laptop diferentes. O conjunto de dados abrange três modalidades de captura realistas:

1. Captura por microfone externo.
2. Captura por microfone no dispositivo (sem ruído de rede).
3. Captura via streaming VoIP (simulando ruído de canal de rede).
   O conjunto de dados inclui metadados demográficos e respostas de conscientização do usuário, apoiando a análise de viés do usuário e generalização entre dispositivos.

O Framework DECKER:
O DECKER emprega uma estratégia de generalização em quatro etapas para aprender embeddings que são discriminativos de teclas, mas invariantes de teclado:

1. Normalização de Assinatura de Teclado (KSN): Um módulo de filtro inverso aprendível (baseado em CNNs 1D) aplicado no nível da forma de onda para suprimir coloração espectral específica do dispositivo (respostas ao impulso), preservando estruturas transitórias de batidas de tecla.
2. Desemaranhamento Adversarial de Domínio: Utilizando uma Camada de Reversão de Gradiente (GRL), o framework treina um codificador para minimizar a perda de classificação de batidas de tecla enquanto maximiza a dificuldade de um classificador de domínio em prever a identidade do teclado a partir dos embeddings.
3. Alinhamento Contrastivo Supervisionado entre Teclados: Um objetivo de aprendizado contrastivo que aproxima embeddings da mesma tecla de diferentes teclados e afasta teclas diferentes, impondo consistência entre domínios.
4. Randomização de Estilo Acústico (ASR): Uma técnica de aumento de dados que sintetiza respostas de teclados não vistos aplicando filtros IIR aleatórios, distorção de envelope espectral e perturbações de decaimento para simular condições acústicas diversas.

Reconstrução de Sequência:
Para abordar a acumulação de erros em sequências longas, o DECKER integra uma etapa de decodificação assistida por LLM. Utiliza uma busca em feixe restrita com LLMs pré-treinados (por exemplo, GPT-2, FLAN-T5) para refinar previsões ruidosas de batidas de tecla em texto coerente ou senhas, aproveitando priores linguísticos para corrigir erros de substituição, inserção e exclusão.

3. Contribuições Principais

• Conjunto de Dados HEAR: Um conjunto de dados abrangente, multi-dispositivo, multi-usuário e multi-ambiente que unifica fatores como diversidade de gênero, streams VoIP e captura NLoS (Sem Linha de Visão), permitindo o primeiro estudo robusto da generalização do ASCA.
• Benchmark Abrangente: Um novo framework de avaliação no HEAR que testa características convencionais e modelos pré-treinados (PTMs) em configurações unimodais e multimodais, quantificando a queda de desempenho de métodos existentes em cenários entre teclados e entre usuários.
• Framework DECKER: Um pipeline de treinamento inovador que combina KSN, desemaranhamento adversarial, alinhamento contrastivo e ASR para alcançar representações invariantes de domínio, superando significativamente baselines unimodais e multimodais em tarefas de generalização.
• Quantificação de Risco Assistida por LLM: Uma investigação sobre ataques em nível de frase demonstrando que LLMs aumentam substancialmente a recuperação de sequências, fornecendo um limite superior realista sobre os riscos de vazamento de batidas de tecla em cenários de mundo aberto.

4. Resultados

Avaliações empíricas no conjunto de dados HEAR produzem as seguintes descobertas:

• Falha da Baseline: Baselines unimodais fortes (por exemplo, wav2vec2, ECAPA-TDNN) e fusão multimodal sofrem quedas significativas de desempenho (37–41%) quando testadas em teclados não vistos, confirmando que codificam a identidade do dispositivo em vez da identidade da tecla.
• Desempenho do DECKER: O DECKER reduz significativamente a lacuna de generalização. Em teclados não vistos, alcança 81,3% de precisão Top-1, comparado a 58,1% para a melhor baseline unimodal (ECAPA-TDNN) e 63,2% para baselines de fusão multimodal.
• Ablação de Componentes: A remoção da KSN causa a maior queda de desempenho (de 81,3% para 63,7% em teclados não vistos), destacando o papel crítico da normalização de forma de onda. O treinamento adversarial de domínio isolado (GRL) melhora o desempenho, mas é insuficiente sem KSN e alinhamento contrastivo.
• Impacto do LLM: A decodificação assistida por LLM melhora significativamente a reconstrução em nível de frase. Para senhas semelhantes às humanas, o GPT-4 melhorou a precisão de correspondência exata para 72,8% (de 42,6% bruto), enquanto melhorias para strings aleatórias de alta entropia foram negligenciáveis, indicando a dependência do ataque na estrutura linguística.
• Viabilidade: A inferência em um laptop Apple M1 comercial demonstra que o DECKER pode processar batidas de tecla em tempo real (~430 batidas/segundo) e reconstruir frases com latência interativa, não exigindo clusters de GPU.

5. Significado e Alegações

O artigo afirma que o ASCA permanece uma ameaça realista e subestimada. Os autores argumentam que avaliações anteriores podem ter sido excessivamente otimistas sobre as limitações do ASCA devido à dependência de regimes de treinamento controlados e de dispositivo único. Ao demonstrar que a aprendizagem invariante de domínio pode generalizar efetivamente entre hardware e ambientes diversos, o estudo sugere que a superfície de ataque é mais ampla do que anteriormente reconhecida.

A integração de LLMs é destacada como um fator crítico que amplifica o risco prático do ASCA, transformando previsões acústicas ruidosas em texto coerente e sensível. Os autores concluem que futuras defesas de segurança devem considerar tanto a obstrução acústica física quanto contramedidas algorítmicas contra pós-processamento linguístico, pois o ASCA não está mais confinado a condições de laboratório, mas é viável em ambientes compartilhados, ruidosos e públicos.