
Utilisation de l’IA pour pirater des écrans par le biais d’émissions HDMI
Des chercheurs américains ont utilisé l’apprentissage profond pour recréer des écrans vidéo numériques à partir des émissions des câbles HDMI.
L’équipe de l’université de Cornell a analysé les ondes électromagnétiques qui émanent involontairement des câbles et des connecteurs, notamment HDMI.
Par rapport au mode analogique (VGA), le mode numérique est plus difficile en raison d’un codage 10 bits en HDMI qui se traduit par une bande passante beaucoup plus large et une conversion non linéaire entre le signal observé et l’intensité du pixel. Par conséquent, les systèmes d’écoute conçus pour le mode analogique obtiennent des images peu claires et difficiles à lire lorsqu’ils sont appliqués à la vidéo numérique.
L’équipe a redéfini le problème en un problème inverse et a conçu un module d’apprentissage profond pour cartographier le signal électromagnétique observé en fonction de l’image affichée. Le système proposé est basé sur une technologie logicielle largement disponible appelée TempestSDR entièrement open-source, intégrée de manière transparente dans le cadre populaire de GNU Radiocom.
Cette approche nécessite toujours une analyse mathématique détaillée du signal, d’abord pour déterminer la fréquence à laquelle opérer, mais aussi pour produire des échantillons d’entraînement. Cela permet de gagner du temps et d’éviter d’avoir à obtenir ces échantillons, surtout si plusieurs configurations sont envisagées.
L’équipe travaille à l’amélioration du taux moyen d’erreurs de caractères dans le texte, et le système actuel améliore ce taux de plus de 60 points de pourcentage par rapport aux précédentes implémentations disponibles.
Ils ont partagé l’ensemble de données que nous avons généré pour la simulation, qui comprend à la fois des captures simulées et plus de 1000 captures réelles, et ils cherchent également des contre-mesures pour minimiser le risque potentiel d’être capté par des systèmes conçus sur la base de principes similaires.
www.cornell.edu ; https://arxiv.org/abs/2407.09717
