Na era digital, a importância da proteção da privacidade está cada vez mais evidente, mas você pode não imaginar que até mesmo a radiação eletromagnética dos cabos HDMI pode ser um canal para vazamento de informações. Recentemente, uma equipe de pesquisa da Faculdade de Engenharia da Universidade da República do Uruguai conseguiu, por meio de tecnologia de IA, recuperar o conteúdo de imagens originais a partir de sinais eletromagnéticos vazados por cabos HDMI.
O cerne desta pesquisa é um modelo de IA ponta a ponta, focado na recuperação de texto, capaz de reduzir a taxa de erro de caracteres de sinais HDMI para aproximadamente 30%. Isso pode parecer abstrato, mas imagine que à direita está o conteúdo exibido na tela do seu computador, e no meio está o resultado final do modelo de IA, você poderá sentir a força desta tecnologia.
Sabemos que, em comparação com sinais analógicos, sinais digitais como HDMI são mais difíceis de recuperar, pois a codificação de 10 bits leva a um aumento da largura de banda e a um mapeamento não linear entre o sinal e a intensidade dos pixels. No entanto, o surgimento desta tecnologia torna as ondas eletromagnéticas, antes inatingíveis, decodificáveis.
A equipe de pesquisa primeiro usou uma antena para captar as ondas eletromagnéticas emitidas pelo cabo e conectores HDMI, em seguida, recebeu esses sinais por meio de um dispositivo de rádio definido por software (SDR) e os converteu em amostras digitais. Depois, utilizou ferramentas de software para processar o sinal, extrair os dados da imagem e, finalmente, inseri-los no modelo de IA para reconhecimento e aprimoramento da imagem.
A chave está no uso da rede neural convolucional Deep Residual U-Net (DRUNet), uma arquitetura codificador-decodificador especialmente adequada para tarefas de recuperação de imagens. Ao otimizar a estrutura da rede e o processo de treinamento, a DRUNet melhorou significativamente a qualidade da recuperação da imagem, especialmente em termos de legibilidade do texto.
Para validar esta tecnologia, a equipe construiu um conjunto de dados contendo cerca de 3500 amostras para testes. Os resultados mostraram que, em um conjunto de dados real, o modelo usando amostras complexas apresentou o melhor desempenho em vários indicadores de avaliação. Os métodos tradicionais apresentaram uma taxa de erro de caracteres superior a 90% em conjuntos de dados reais, enquanto o modelo deles conseguiu reduzir esse número para 35,3%.
Esta pesquisa não apenas demonstra o potencial de aplicação da IA na área de segurança da informação, mas também nos lembra que até mesmo conexões HDMI, aparentemente seguras, podem apresentar riscos de roubo de informações. No entanto, a equipe de pesquisa também propôs medidas preventivas, como adicionar ruído de baixo nível ou usar gradientes de fundo nas imagens do monitor, para reduzir eficazmente a taxa de sucesso do vazamento eletromagnético.
Endereço do projeto: https://github.com/emidan19/deep-tempest
Endereço do artigo: https://arxiv.org/pdf/2407.09717
