
 
 
 
 
 
 
 
 Els autors: (1) Yan Long, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (yanlong@umich.edu); (2) Chen Yan, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (yanchen@zju.edu.cn); (3) Shilin Xiao, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (bixilin@zju.edu.cn); (4) Shivan Prasad, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (shprasad@umich.edu); (5) Wenyuan Xu, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (wyxu@zju.edu.cn); (6) Kevin Fu, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (kevinfu@umich.edu). Authors: (1) Yan Long, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (yanlong@umich.edu); (2) Chen Yan, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (yanchen@zju.edu.cn); (3) Shilin Xiao, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (bixilin@zju.edu.cn); (4) Shivan Prasad, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (shprasad@umich.edu); (5) Wenyuan Xu, Col·legi d'Enginyeria Elèctrica, Universitat de Zhejiang, Hangzhou, Xina (wyxu@zju.edu.cn); (6) Kevin Fu, Enginyeria Elèctrica i Ciència de la Computació, Universitat de Michigan, Ann Arbor, EUA (kevinfu@umich.edu). Taula de l'esquerra Abstract i I. Introducció Model de amenaça i antecedents Webcam mirant a través d'ulleres IV. Reconeixement de reflexió i factors V. Susceptibilitat al ciberespaci textual VI. Reconeixement del lloc web VII. Discussió VIII. Treballs relacionats IX. Conclusió, reconeixement i referències Apèndix A: Informació sobre equips Apèndix B: Model d'angle ANNEX C: Comportaments de la plataforma de videoconferència ANNEX D: Anàlisi de la distorsió Apèndix E: Objectius textuals web —Personal video conferencing has become a new norm after COVID-19 caused a seismic shift from in-person meetings and phone calls to video conferencing for daily communications and sensitive business. Video leaks participants’ on-screen information because eyeglasses and other reflective objects unwittingly expose partial screen contents. Using mathematical modeling and human subjects experiments, this research explores the extent to which emerging webcams might leak recognizable textual and graphical information gleaming from eyeglass reflections captured by webcams. The primary goal of our work is to measure, compute, and predict the factors, limits, and thresholds of recognizability as webcam technology evolves in the future. Our work explores and characterizes the viable threat models based on optical attacks using multi-frame super resolution techniques on sequences of video frames. Our models and experimental results in a controlled lab setting show it is possible to reconstruct and recognize with over 75% accuracy on-screen texts that have heights as small as 10 mm with a 720p webcam. We further apply this threat model to web textual contents with varying attacker capabilities to find thresholds at which text becomes recognizable. Our user study with 20 participants suggests present-day 720p webcams are sufficient for adversaries to reconstruct textual content on big-font websites. Our models further show that the evolution towards 4K cameras will tip the threshold of text leakage to reconstruction of most header texts on popular websites. Besides textual targets, a case study on recognizing a closed-world dataset of Alexa top 100 websites with 720p webcams shows a maximum recognition accuracy of 94% with 10 participants even without using machine-learning models. Our research proposes near-term mitigations including a software prototype that users can use to blur the eyeglass areas of their video streams. For possible long-term defenses, we advocate an individual reflection testing procedure to assess threats under various settings, and justify the importance of following the principle of least privilege for privacy-sensitive scenarios. Abstract Abstracció I. Introducció Les trucades de vídeo en línia han esdevingut omnipresent com a mètode de comunicació a distància, especialment des de la recent pandèmia de COVID19 que va causar polítiques gairebé universals de treball des de casa en els principals països [24], [27], [31] i va fer de les videoconferències una norma per a les empreses i les escoles per acomodar les comunicacions interpersonals fins i tot després de la pandèmia [6], [15], [43], [51]. Mentre que la videoconferència proporciona a les persones la comoditat i la immersió de les interaccions visuals, revela inconscientment informació textual sensible que podria ser explotada per una part maliciosa que actua com a participant. la pantalla del participant podria contenir informació privada. La pròpia càmera web del participant podria capturar aquesta informació quan es reflecteix en les ulleres del participant i proporcionar inconscientment la informació a l'oponent (Figura 1). Ens referim a aquest atac com un atac de mirada de la càmera web. A més, les capacitats de l'oponent només continuaran augmentant amb millores en la resolució, la taxa de marc i més. Els treballs anteriors mostren que atacs similars que exploten la reflexió òptica dels objectes propers en instal·lacions controlades són factibles, com ara observar teapots en una taula amb càmeres digitals d'alta qualitat (DSLR) i telescopis a distància [25], [26]. El desafiament i la caracterització del peeking utilitzant les càmeres web més ubiquites, però, són qualitativament diferents a causa de les imatges de menor qualitat de les càmeres web actuals. Les imatges de càmera web de menor qualitat són causades per tipus únics de distorsió, és a dir, el tret i el soroll ISO a causa de la recepció de llum insuficient, i la crida a noves tècniques d'enfortiment de la imatge. A més, es necessiten nous Hi ha molts tipus de mitjans que poden filtrar reflexions òptiques, incloent-hi text i gràfics. Ens centrem en la fuga de text en aquest treball, ja que és un punt de partida natural per a la reconeixibilitat mesurable i la modelització de la línia de base fonamental de la fuga d'informació, però també proporciona informació sobre la fuga d'informació no textual, com ara inferir els llocs web que es mostren mitjançant el reconeixement de continguts gràfics a la pantalla. Busquem respondre a les tres preguntes principals següents: Q1: Quins són els principals factors que afecten la capacitat de l'adversari de mirar la càmera web? Q2: Quins són els límits físics de la capacitat de l'adversari en l'actualitat i en el futur previsible, i Per respondre a la Q1, proposem un model matemàtic simplificat però raonablement precís per a la mida dels píxels de reflexió. El model inclou factors com la resolució de la càmera i la distància de la pantalla de vidre i permet predir els límits de mirada de la càmera web a mesura que evolucionen la tecnologia de la càmera i el vídeo. Per respondre a Q2, analitzem les distorsions en les imatges de la càmera web i proposem una reconstrucció de super resolució multi-frame per a una millora d'imatge eficaç per ampliar els límits. Després recopilem dades de reflexió d'ulleres en entorns de laboratori optimitzats i avaluem els límits de reconeixement de les reflexions a través de treballadors de crowdsourcing a Amazon Mechanical Turk i models de reconeixement de caràcters òptics. L'avaluació mostra més del 75% de precisió en reconèixer textos que tenen una alçada física de 10 mm amb una càmera web 720p Per respondre al Q3, ens centrem en els objectius textuals web per construir un punt de referència que permeti comparar significativament les amenaces d'anàlisi de càmera web actuals i futures. Primer mapem els límits derivats del model i les avaluacions als continguts textuals web mitjançant l'enquesta dels informes anteriors sobre la mida del text web i la inspecció manual de les fonts en 117 llocs web de grans fonts. Després, realitzem un estudi d'usuari amb 20 participants i juguem un joc de resposta desafiant on un autor actua com un adversari per inferir els continguts HTML creats per altres autors. Els resultats de l'estudi d'usuari suggereixen que les càmeres web actuals de 720p poden anàlisi de textos en els 117 llocs web de grans fonts i Finalment, discutim possibles mitigacions a curt termini, incloent l'ajust de la il·luminació ambiental i el desvetllament de l'àrea de vidre en el programari. També preveiem solucions a llarg termini seguint un procediment d'avaluació de la reflexió individual i un principi de menys privilegi. En resum, l'objectiu d'aquest treball és proporcionar una base teòrica i un punt de referència per a l'estudi de les amenaces emergents de la mirada de la càmera web amb les tecnologies de la càmera web en evolució i el desenvolupament d'infraestructures de videoconferència més segures. ∙ El nostre treball quantifica els límits i els factors primaris que prediuen el grau de fuita d'informació des de la webcam peeking mitjançant l'ús de modelatge teòric i experimentació. La nostra metodologia de benchmarking es basa en convencions de disseny de text web i un estudi d'usuari de 20 participants sobre càmeres actuals, de manera que la referència es pot aplicar a càmeres hipotètiques i emergents en els propers anys. ∙ Anàlisi sobre mitigacions a curt termini, incloent l'ús de filtres de desbordament basats en programari i el canvi de configuracions físiques, així com possibles defenses a llarg termini mitjançant proactius assajos i seguint un principi de menys privilegi. 
 
 Aquest document està disponible en arxiu sota llicència ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Aquest paper és Llicència ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Disponible a l'Arxiu Disponible a l'Arxiu

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

undefined's blog

Aquest àudio és produït a l'idioma original de la història!

Massa Llarg; Per llegir

Download free Tech Leaders Productivity Report!

Els teus ulleres poden jugar secrets sensibles en les trucades de vídeo

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the Programming Industry

Startups of The Year: Meet the Cybersecurity Industry

Startups of The Year: Meet the Commerce Industry

The Jewel Robbery at the Grand Metropolitan

Startups of The Year: Meet the Programming Industry

Startups of The Year: Meet the Cybersecurity Industry

Startups of The Year: Meet the Commerce Industry

The Jewel Robbery at the Grand Metropolitan

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps