Resumo Técnico: TESLA – Um Ataque Prático de Canal Lateral em Smartphones via Emissões Eletromagnéticas

1. Declaração do Problema

Smartphones modernos utilizam universalmente telas sensíveis ao toque capacitivas, que, embora ofereçam durabilidade superior e capacidades de toque múltiplo, inadvertidamente introduzem vulnerabilidades graves de privacidade. Ataques de canal lateral existentes que visam esses dispositivos sofrem de limitações práticas significativas:

• Escopo Limitado: Muitos trabalhos anteriores focam em um único tipo de informação sensível (por exemplo, apenas códigos PIN ou apenas impressões digitais) em vez de uma gama abrangente de atividades do usuário.
• Requisitos Intrusivos: Ataques de alta precisão frequentemente exigem modificações físicas no dispositivo (por exemplo, cabos USB comprometidos) ou estados específicos do dispositivo (por exemplo, o telefone deve estar em um carregador sem fio).
• Restrições Temporais e Ambientais: Alguns métodos exigem durações prolongadas de captura de sinal ou dependem de condições e hardware especializados de laboratório, reduzindo sua viabilidade em cenários do mundo real.

O problema central abordado é a falta de um ataque de canal lateral sem contato, não intrusivo e generalizado capaz de recuperar diversos dados sensíveis do usuário (entradas discretas e trajetórias contínuas) sob condições realistas e cotidianas.

2. Metodologia: O Framework TESLA

Os autores propõem o TESLA (Ataque de Vazamento de Canal Lateral Eletromagnético em Tela Sensível ao Toque), um framework inovador que explora emissões eletromagnéticas (EM) inerentes geradas durante o processo de varredura da tela sensível ao toque. O ataque opera por meio de um pipeline de quatro fases:

A. Mecanismo de Vulnerabilidade

O ataque aproveita dois princípios fundamentais:

1. Efeito de Acoplamento Humano: Quando um dedo toca a tela, altera a capacitância mútua entre os eletrodos transmissores (TX) e receptores (RX), alterando a impedância do sistema e amplificando as emissões EM.
2. Método de Acionamento de Varredura (SDM): A maioria dos smartphones utiliza SDM, onde os eletrodos TX são ativados sequencialmente. Um toque em uma coordenada horizontal específica introduz um atraso temporal previsível ($\Delta t$) no sinal EM em relação ao início do ciclo de varredura. Isso cria um mapeamento único "tempo para espaço", onde o momento dos picos EM correlaciona-se diretamente com a localização do toque. Crucialmente, esse vazamento é independente de feedback visual animado.

B. Pipeline de Ataque

1. Classificação de Interação do Usuário: Um classificador Random Forest analisa características do sinal EM (duração e frequência do toque) para distinguir entre desbloqueio de tela, entrada de teclado, interação com aplicativos e caligrafia.
2. Interceptação de Sinal: Um algoritmo detecta as fases de "gatilho" (salto abrupto), "sinal válido" (contendo dados de localização) e "terminação" (estabilização) da trilha EM para isolar os dados relevantes e melhorar a relação sinal-ruído.
3. Normalização de Sinal: Sinais interceptados são remodelados via amostragem para cima/baixo para um comprimento fixo e normalizados usando normalização Z-score para garantir entrada consistente para modelos de aprendizado profundo.
4. Extração de Informação Sensível:
   • Entradas Discretas (PINs/Teclas): Uma Rede Neural Perceptron Multicamada (MLP) classifica localizações de toque com base nas características do sinal normalizado.
   • Categorias de Aplicativos: Uma Rede Neural Convolucional (CNN) analisa "pontos quentes de toque" (padrões de distribuição de toques) para inferir o tipo de aplicativo (por exemplo, pagamento versus compras).
   • Trajetórias de Caligrafia: Uma arquitetura baseada em Transformer captura dependências temporais em sinais contínuos para reconstruir coordenadas espaciais 2D, seguida de pós-processamento (suavização) e emenda para gerar a trajetória final.

3. Contribuições Principais

• Descoberta de uma Base de Vazamento Unificada: O artigo revela que as emissões EM durante a varredura da tela sensível ao toque codificam a evolução espaço-temporal das interações de toque, formando uma base de vazamento unificada para entradas discretas e contínuas.
• Um Framework de Ataque Generalizado: O TESLA é o primeiro ataque sem contato capaz de recuperar um amplo espectro de dados sensíveis: códigos PIN de desbloqueio de tela, entradas de teclado, categorias de aplicativos interativos e trajetórias contínuas de caligrafia.
• Viabilidade Prática: O ataque não requer contato físico, nenhuma modificação do dispositivo e nenhum estado específico do dispositivo (por exemplo, carregamento sem fio). Funciona efetivamente tanto em ambientes públicos (bibliotecas) quanto privados (salas de reunião) com uma sonda posicionada a apenas 5 cm do dispositivo.
• Transferibilidade entre Dispositivos: O framework demonstra robusta transferibilidade, permitindo que modelos treinados em um dispositivo ataquem com sucesso unidades diferentes do mesmo modelo, e mostrando adaptabilidade entre diferentes fabricantes (Apple, Xiaomi, Samsung, Huawei).

4. Resultados Experimentais

Os autores avaliaram o TESLA em quatro smartphones comerciais: iPhone X, Xiaomi 10 Pro, Samsung S10 e Huawei Mate 30 Pro.

• Recuperação de Entrada Discreta:

  • Códigos PIN: Alcançou 99,3% de precisão no reconhecimento de PINs de 4 dígitos.
  • Entradas de Teclado: Alcançou 97,6% de precisão na reconstrução de entradas de teclado.
  • Categorias de Aplicativos: Alcançou 95,0% de precisão na inferência de tipos de aplicativos.
  • Sucesso Ponta a Ponta: Em tentativas top-5 (permitindo 5 palpites), o sistema alcançou uma taxa de sucesso de 99,33% na reconstrução de sequências completas de entrada do usuário em todos os cenários testados.

• Recuperação de Trajetória Contínua:

  • Reconhecimento de Caracteres: Alcançou 76,8% de precisão no reconhecimento de caracteres manuscritos.
  • Semelhança Geométrica: Alcançou um índice Jaccard de 0,74 para reconstrução de trajetória 2D, indicando alta sobreposição espacial entre os caminhos originais e recuperados.

• Robustez:

  • O ataque manteve alta precisão (acima de 95% para PINs) mesmo com aplicativos em segundo plano em execução.
  • O desempenho permaneceu efetivo em distâncias de até 25 cm, embora a precisão tenha diminuído com a distância.
  • O ataque funcionou efetivamente através de barreiras de madeira (por exemplo, mesas) e em ambientes públicos ruidosos, embora com precisão ligeiramente reduzida em comparação com configurações privadas.

5. Significado e Alegações

O artigo alega que o TESLA eleva fundamentalmente a compreensão da segurança de telas sensíveis ao toque capacitivas ao unificar os mecanismos de vazamento físico para entradas discretas e contínuas. Diferentemente de trabalhos anteriores limitados a alvos específicos ou que exigiam condições restritivas, o TESLA demonstra que interações cotidianas com toques capacitivos são inerentemente vulneráveis a escutas remotas e sem contato.

Os autores enfatizam que essa vulnerabilidade não é um bug de software, mas uma consequência da arquitetura de varredura de hardware (SDM) e da física do acoplamento humano. Consequentemente, o artigo insta os fabricantes a implementarem randomização da sequência de varredura no nível do Front-End Analógico (AFE) para quebrar o mapeamento previsível de tempo para espaço, já que ofuscação no nível de software (como embaralhamento de teclado) é insuficiente para proteger entradas contínuas como assinaturas.

O trabalho serve como um alerta crítico de que os modelos atuais de segurança de smartphones podem ser insuficientes contra ataques sofisticados de canal lateral não intrusivos capazes de comprometer tarefas de alta segurança, como assinaturas eletrônicas e transações financeiras.