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

Sempre que uma pessoa digita em um teclado de computador padrão, ela cria um som minúsculo e distinto. Para o ouvido humano, esses cliques e estalos se misturam em um ritmo uniforme, indistinguíveis uns dos outros. No entanto, a física da máquina conta uma história diferente. Cada tecla, dependendo de sua localização e do mecanismo específico sob ela, produz uma assinatura acústica única. Assim como uma impressão digital identifica uma pessoa, essas variações sutis de som podem identificar uma tecla específica. Esse fenômeno forma a base de uma ameaça de segurança conhecida como registro de teclas acústico (acoustic keylogging). Diferente dos métodos tradicionais de hacking que exigem a instalação de software malicioso no computador da vítima, esse ataque depende da captura de som pelo lado de fora. Com os microfones em smartphones e laptops modernos tornando-se cada vez mais sensíveis, o potencial para um invasor gravar esses sons e reconstruir uma senha ou mensagem confidencial passou de uma possibilidade teórica para uma preocupação prática.

Pesquisadores da Universidade de Portsmouth buscaram determinar o quão viável é esse ataque quando ele ocorre em tempo real, em vez de após o fato. Embora estudos anteriores tivessem mostrado que máquinas podiam aprender a distinguir esses sons, eles frequentemente dependiam da análise de gravações completas de sessões de digitação após serem concluídas. Essa abordagem ignorava uma questão crítica: um sistema poderia ouvir uma pessoa digitando, identificar cada tecla conforme ela era pressionada e fazê-lo rápido o suficiente para ser útil a um invasor enquanto a digitação ainda estava ocorrendo? Para responder a isso, a equipe construiu um sistema protótipo projetado para imitar um cenário de escuta ao vivo. Eles usaram um smartphone padrão para gravar os sons de um teclado mecânico e, em seguida, alimentaram esse áudio em um programa de computador especializado. Esse programa, construído sobre um tipo de inteligência artificial conhecido como rede neural convolucional, foi treinado para reconhecer os padrões visuais das ondas sonoras, convertendo o áudio em imagens que o computador pudesse analisar.

Os experimentos da equipe revelaram que tal sistema é, de fato, capaz de operação em tempo real. Em seus testes, o sistema processou o áudio e identificou as teclas digitadas com um atraso médio de apenas 0,35 segundos após cada tecla ser pressionada. Essa velocidade é rápida o suficiente para ser considerada instantânea para a maioria dos propósitos práticos. Quando os pesquisadores testaram o sistema com senhas comuns, ele reconstruiu as sequências digitadas com alta precisão, muitas vezes recuperando toda a sequência corretamente. O sistema cometeu erros ocasionais, mas esses erros raramente eram aleatórios; quando a máquina errava, quase sempre escolhia uma tecla localizada fisicamente ao lado da correta no teclado. Isso sugere que o sistema estava lutando para distinguir a diferença entre dois sons muito semelhantes, em vez de falhar completamente.

No entanto, o estudo também destacou fraquezas significativas que poderiam proteger os usuários. O sucesso do sistema dependia fortemente do ambiente no qual ele foi treinado. Quando os pesquisadores introduziram ruído de fundo, como o falatório e o zumbido de um escritório movimentado, a capacidade do sistema de identificar teclas caiu drasticamente. Da mesma forma, se o dispositivo de gravação fosse movido mesmo que uma curta distância do teclado, ou se o digitador mudasse sua velocidade ou pressão, a precisão sofria. O achado mais marcante foi que o sistema não conseguia se adaptar facilmente a um teclado diferente. Um modelo treinado em um teclado mecânico específico falhou quase totalmente ao ser solicitado a ouvir uma marca diferente, sugerindo que o ataque depende de características de hardware muito específicas.

Talvez o mais preocupante para especialistas em segurança tenha sido a descoberta de que o sistema não precisava de vastas quantidades de dados para aprender. Os pesquisadores descobriram que a inteligência artificial podia ser treinada efetivamente com apenas quatro gravações de cada tecla sendo pressionada. Esse requisito baixo significa que um invasor não precisa passar semanas coletando dados para construir uma ferramenta funcional; uma breve sessão de gravação direcionada poderia ser suficiente. Apesar dessas capacidades, o estudo concluiu que a ameaça não é invencível. Os pesquisadores propuseram várias defesas práticas, como digitar em ambientes barulhentos, variar a velocidade de digitação ou usar softwares que preenchem senhas automaticamente para evitar o pressionamento físico das teclas por completo. Embora a tecnologia para ouvir teclas em tempo real esteja inegavelmente presente, o estudo sugere que mudanças simples de comportamento e ambiente podem efetivamente interromper o ataque, transformando uma vulnerabilidade potencial em um risco gerenciável.