Im digitalen Zeitalter gewinnt der Datenschutz zunehmend an Bedeutung. Doch man mag es kaum glauben: Selbst die elektromagnetische Strahlung von HDMI-Kabeln kann zum Leck von Informationen werden. Ein Forschungsteam der Fakultät für Ingenieurwissenschaften der Universität der Republik Uruguay hat mithilfe von KI-Technologie die bemerkenswerte Leistung vollbracht, aus den von HDMI-Kabeln auslaufenden elektromagnetischen Signalen den ursprünglichen Bildinhalt wiederherzustellen.
Das Herzstück dieser Forschung ist ein End-to-End-KI-Modell, das sich auf die Textwiederherstellung konzentriert und die Zeichenfehlerquote von HDMI-Signalen auf etwa 30 % senken kann. Das klingt vielleicht etwas abstrakt, aber stellen Sie sich vor: Ganz rechts sehen Sie den Inhalt Ihres Computerbildschirms, und in der Mitte das Endergebnis des KI-Modells – dann verstehen Sie die beeindruckende Leistung dieser Technologie.
Im Vergleich zu analogen Signalen ist die Wiederherstellung digitaler Signale wie HDMI bekanntermaßen schwieriger, da die 10-Bit-Codierung zu einer erhöhten Bandbreite und einer nichtlinearen Abbildung zwischen Signal und Pixelintensität führt. Diese Technologie macht jedoch die bisher schwer fassbaren elektromagnetischen Wellen dekodierbar.
Das Forschungsteam fing zunächst die von HDMI-Kabeln und -Steckverbindern ausgesendeten elektromagnetischen Wellen mit einer Antenne auf. Diese Signale wurden dann über ein Software Defined Radio (SDR)-Gerät empfangen und in digitale Samples umgewandelt. Anschließend wurden die Signale mit Softwaretools verarbeitet, um die Bilddaten zu extrahieren, die dann zur Bilderkennung und -verbesserung in das KI-Modell eingespeist wurden.
Der Schlüssel liegt in der Verwendung von Deep Residual U-Net (DRUNet), einem Convolutional Neural Network mit Encoder-Decoder-Architektur, das besonders gut für Bildwiederherstellungsaufgaben geeignet ist. Durch die Optimierung der Netzwerkarchitektur und des Trainingsprozesses verbesserte DRUNet die Qualität der Bildwiederherstellung deutlich, insbesondere die Lesbarkeit von Text.
Zur Validierung der Technologie erstellte das Team einen Datensatz mit etwa 3500 Beispielen für Tests. Die Ergebnisse zeigten, dass das Modell mit komplexen Beispielen auf realen Datensätzen in mehreren Bewertungsmetriken die beste Leistung erzielte. Traditionelle Methoden hatten auf realen Datensätzen eine Zeichenfehlerquote von über 90 %, während ihr Modell diesen Wert auf 35,3 % senken konnte.
Diese Forschung zeigt nicht nur das Anwendungspotenzial von KI im Bereich der Informationssicherheit, sondern erinnert uns auch daran, dass selbst scheinbar sichere HDMI-Verbindungen einem Risiko des Informationsdiebstahls ausgesetzt sein können. Das Forschungsteam schlägt jedoch auch vorbeugende Maßnahmen vor, wie z. B. das Hinzufügen von geringem Rauschen zum Bild des Monitors oder die Verwendung eines verlaufenden Hintergrunds, um die Erfolgsrate von elektromagnetischen Lecks effektiv zu reduzieren.
Projekt-Adresse: https://github.com/emidan19/deep-tempest
Paper-Adresse: https://arxiv.org/pdf/2407.09717