Чему хакеры могут научиться, просмотрев ваши экраны
7 августа 2025 г.Таблица ссылок
Аннотация и I. Введение
II Модель и фон
Iii. Веб -камера заглядывает через очки
IV Познаваемость и факторы размышлений
V. Cyberspace Textula Target Lebrameibility
VI Признание веб -сайта
VII. Дискуссия
VIII. Связанная работа
IX. Заключение, подтверждение и ссылки
Приложение A: Информация о оборудовании
Приложение B: модель угла просмотра
Приложение C: Поведение платформы видеоконференций
Приложение D: Анализ искажений
Приложение E: Веб -текстовые цели
VI Признание веб -сайта
Результаты до сих пор предполагают, что это все еще может быть сложным для современных противников с мочанием веб-камеры с основными камерами 720p для подслушивания общего текстового содержимого, отображаемого на экранах пользователя. Во время нашего эксперимента мы наблюдали, что распознавание графического содержимого, такого как формы и макеты на экране, как правило, проще, чем чтение текстов. Хотя фигуры и макеты содержат более крупнозернискую информацию по сравнению с текстами, заглядывающийся противник веб-камера может по-прежнему представлять нетривиальные угрозы, сопоставляя такую графическую информацию с чувствительным к конфиденциальным контекстам. В этой работе дополнительно изучена, в какой степени может заглянуть противник веб-камеры на экране веб-сайтов, используя не текстовую графическую информацию.
Сбор данных.10 из 20 участников в исследовании пользователя приняли участие в оценке признания веб -сайта. Следуя аналогичной методологии, что и в [42], мы использовали 100 лучших веб-сайтов Alexa в качестве набора данных в закрытом мире. Мы исследуем только признание домашней страницы каждого веб -сайта в этой работе. [42] показывает, что другие страницы веб -сайта также могут привести к признанию веб -сайта. Мы считаем, что в будущих работах стоит легкость признания веб -сайта с использованием разных страниц. Эксперимент последовал за аналогичной процедурой, как эксперимент по текстовым распознаванию в разделе V. Для каждого участника один автор генерирует уникальную случайную последовательность из 25 веб -сайтов для участника для просмотра (10 секунд для каждого веб -сайта), в то время как другой автор выступает в качестве противника, который анализирует видеозаписи. Как локальные, так и на основе Zoom удаленные записи были получены и признаны противником. Службам получил всю запись, и ему было предложено соответствовать каждому сегменту видео с конкретным веб -сайтом с 100 веб -сайтов в правильном порядке. Предполагается, что случайный догадок на наивный противник составляет около 1%. Обратите внимание, что некоторые участники изменили свою среду и окружающее освещение по сравнению с предыдущим экспериментом по текстовым распознаванию, поскольку два эксперимента были проведены с интервалом в пять месяцев.
Результаты распознавания.На рисунке 10 показан процент веб -сайтов (из 25), правильно распознанных противником. Участники 0 и 4 не дали узнаваемых отражений из -за плохого света SNR и углов просмотра соответственно. Это отношение нулевого распознавания (2 из 10) согласуется с тем, что в текстовом тесте распознавания (6 из 20), что позволяет предположить, что мочщика веб-камеры может быть невозможным в 20-30% видеоконференциях из-за экстремальных конфигураций пользовательской среды.
Как и ожидалось, участники с более высокой точностью распознавания текста, такими как участник 7, как правило, приносят более высокую точность распознавания веб -сайтов. Кроме того, мы наблюдаем, что распознавание веб -сайтов более устойчиво для различных условий освещения в окружающей среде участников. Например, мы обнаружили, что участника 10, у которых было 0% точности текстового распознавания из -за плохого света SNR, выпустил 56% (локальный) и 36% (удаленная) точность в распознавании веб -сайтов с той же средой и освещением. Причины в два раза. Во-первых, солидное графическое содержимое, такое как цветные блоки, обычно встречающиеся на веб-страницах, занимают большие области, чем совокупность текстов, и, следовательно, гораздо легче идентифицировать в видео низкого качества. Во-вторых, по сравнению с черными текстами на белом фоне, которые имеют только два разных цвета, общие веб-страницы с несколькими графическими содержимыми имеют больше цветов и контраста, что приводит к лучшей устойчивости против чрезмерного и недооценки использования содержимого экрана в видео веб-камеры.
Признание легкость и веб -характеристики.По сравнению с текстами веб -сайты имеют более распространенные и разнообразные характеристики. Мы провели качественный и количественный анализ, чтобы определить характеристики, которые делают определенные веб -сайты более восприимчивыми к мощению веб -камеры. С этой целью мы оценили 100 веб -сайтов благодаря их легкости признания, используя точность распознавания. На рисунке 16 показаны вращающиеся скриншоты веб -сайтов, которые ранжируют верхнюю и нижнюю 15 по их легкость признания. Визуальные проверки предполагают, что веб -сайты с более высоким контрастностью, большие цветные блоки и более заметные относительные положения между различными цветовыми блоками легче распознать. Веб -сайты, которые в основном белые с разреженными текстовыми и графическими компонентами на них, трудны для распознавания. Мы рассчитали оценки корреляции между рангом каждого веб -сайта и средним, а также стандартным отклонением значений пикселей веб -сайтов. Как правило, более высокое среднее значение означает, что сайт ближе к чистому белому экрану; Более высокое стандартное отклонение означает, что веб-сайт имеет более распространенные текстуры с высоким содержанием. Полученные оценки корреляции составляют -0,33 и 0,45.
Авторы:
(1) Ян Лонг, Электротехника и компьютерные науки, Университет Мичигана, Энн Арбор, США (yanlong@umich.edu);
(2) Чэнь Ян, Колледж электротехники, Университет Чжэцзян, Ханчжоу, Китай (yanchen@zju.edu.cn);
(3) Шилин Сяо, Колледж электротехники, Университет Чжэцзян, Ханчжоу, Китай (xshilin@zju.edu.cn);
(4) Шиван Прасад, Электротехника и компьютерная наука, Мичиганский университет, Энн Арбор, США (shprasad@umich.edu);
(5) Вениюан Сюй, Колледж электротехники, Университет Чжэцзян, Ханчжоу, Китай (wyxu@zju.edu.cn);
(6) Кевин Фу, электротехника и компьютерные науки, Мичиганский университет, Энн Арбор, США (kenfu@umich.edu).
Эта статья есть
Оригинал