
 
 
 
 
 
 
 
 Los autores: (1) Yan Long, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (yanlong@umich.edu); (2) Chen Yan, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (yanchen@zju.edu.cn); (3) Shilin Xiao, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (bixilin@zju.edu.cn); (4) Shivan Prasad, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (shprasad@umich.edu); (5) Wenyuan Xu, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (wyxu@zju.edu.cn); (6) Kevin Fu, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (kevinfu@umich.edu). Authors: (1) Yan Long, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (yanlong@umich.edu); (2) Chen Yan, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (yanchen@zju.edu.cn); (3) Shilin Xiao, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (bixilin@zju.edu.cn); (4) Shivan Prasad, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (shprasad@umich.edu); (5) Wenyuan Xu, Colegio de Ingeniería Eléctrica, Universidad de Zhejiang, Hangzhou, China (wyxu@zju.edu.cn); (6) Kevin Fu, Ingeniería Eléctrica y Ciencias de la Computación, Universidad de Michigan, Ann Arbor, Estados Unidos (kevinfu@umich.edu). Mesa de la izquierda Abstracto y I. Introducción Modelo de amenaza y antecedentes Webcam mirando a través de gafas IV. Recognoscibilidad y factores de reflexión V. Susceptibilidad al objetivo textual del ciberespacio VI. Reconocimiento del sitio web VII. Discusión VIII. Trabajo relacionado IX. Conclusión, reconocimiento y referencias ANEXO A: Información de los equipos Anexo B: Modelo de ángulo ANEXO C: Comportamiento de la plataforma de videoconferencia ANEXO D: Análisis de la distorsión ANEXO E: Objetivos textuales 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 Abstracción I. Introducción Las llamadas de vídeo en línea se han vuelto omnipresentes como un método de comunicación remota, especialmente desde la reciente pandemia COVID19 que causó políticas casi universales de trabajo desde casa en los principales países [24], [27], [31] y hizo de la videoconferencia una norma para las empresas y las escuelas para acomodar las comunicaciones interpersonales incluso después de la pandemia [6], [15], [43], [51]. Mientras que la videoconferencia proporciona a las personas la comodidad y la inmersión de las interacciones visuales, revela involuntariamente información textual sensible que podría ser explotada por una parte maliciosa que actúa como un participante. la pantalla del participante podría contener información privada. La propia webcam del participante podría capturar esta información cuando se refleja en los gafas del participante y proporcionar inconscientemente la información al oponente (Figura 1). Nos referimos a este ataque como un ataque de peeking de la webcam. Además, las capacidades del oponente solo continuarán aumentando con mejoras a la resolución, la tasa de cuadro, y más. Por lo tanto, es importante comprender las consecuencias y límites de los ataques de peeking de la webcam en las configuraciones actuales y posibles futuras. Los trabajos anteriores muestran que ataques similares que explotan la reflexión óptica de objetos cercanos en configuraciones controladas son factibles, como observar teapots en una mesa con cámaras y telescopios digitales de una sola lente (DSLR) de alta calidad a distancia [25], [26]. El desafío y la caracterización de peeking utilizando las cámaras web más omnipresentes, sin embargo, son cualitativamente diferentes debido a las imágenes de menor calidad de las cámaras web actuales. Las imágenes de webcam de menor calidad son causadas por tipos únicos de distorsión, es decir, el disparo y el ruido ISO debido a la recepción de luz insuficiente, y la llamada a nuevas técnicas de mejora de la imagen. Además, se necesitan nuevos modelos matemáticos y marcos de análisis para comprender el modelo de ataques Existen muchos tipos de medios que pueden sobrepasar las reflexiones ópticas, incluyendo texto y gráficos. Nos centramos en la fuga de texto en este trabajo, ya que es un punto de partida natural para el reconocimiento mensurable y la modelización de la línea de partida fundamental de la fuga de información, pero también proporciona información sobre la fuga de información no textual, como inferir sitios web mostrados mediante el reconocimiento de contenido gráfico en la pantalla. Buscamos responder a las siguientes tres preguntas principales: Q1: ¿Cuáles son los factores primarios que afectan a la capacidad del oponente de ver la webcam? Q2: ¿Cuáles son los límites físicos de la capacidad del oponente en el presente y en el futuro previsible, y cómo pueden los oponentes posiblemente ampliar los límites? Q3: ¿Cuáles son las amenazas correspondientes de Para responder a Q1, proponemos un modelo matemático simplificado pero razonablemente preciso para el tamaño de los píxeles de reflejo. El modelo incluye factores como la resolución de la cámara y la distancia de la pantalla de vidrio y permite predecir los límites de peeling de la webcam a medida que la tecnología de la cámara y el vídeo evolucionan. Al utilizar el índice de similitud estructural de ondas complejas como una métrica objetiva para el reconocimiento de la reflexión, también proporcionamos análisis semi-cuantitativo para otros factores físicos, incluyendo la intensidad de la luz ambiental que afectan la relación señal-ruido de las reflexiones. Para responder a Q2, analizamos las distorsiones en las imágenes de la webcam y proponemos una reconstrucción de superresolución multi-frame para una mejora de imagen efectiva para ampliar los límites. Luego recopilamos datos de reflexión de gafas en entornos de laboratorio optimizados y evaluamos los límites de reconocimiento de las reflexiones a través de los trabajadores de crowdsourcing en modelos de reconocimiento de caracteres ópticos de Amazon Mechanical Turk. La evaluación muestra una precisión de más del 75% en el reconocimiento de textos que tienen una altura física de 10 mm con una webcam de 720p. Para responder a la cuarta parte, nos centramos en los objetivos de texto web para construir un índice que permita comparaciones significativas entre las amenazas de visualización de las cámaras web actuales y futuras. Primero mapeamos los límites derivados del modelo y las evaluaciones al contenido de texto web al investigar informes anteriores sobre el tamaño del texto web e inspeccionar manualmente las fuentes en 117 sitios web de fuentes grandes. Luego, llevamos a cabo un estudio de usuarios con 20 participantes y jugamos un juego de respuesta a desafíos en el que un autor actúa como un adversario para inferir el contenido de HTML creado por otros autores. Los resultados del estudio del usuario sugieren que las cámaras web 720p actuales pueden peecar textos en los 117 sitios web de fuentes grandes y las cámaras web 4K futuras se predijeron poseer amenazas Por último, discutiremos posibles mitigaciones a corto plazo, incluido el ajuste de la iluminación ambiental y el borrador de la zona de vidrio en el software. También contemplamos soluciones a largo plazo siguiendo un procedimiento de evaluación de reflexión individual y un principio de mínimo privilegio. En resumen, el objetivo de este trabajo es proporcionar una base teórica y un punto de referencia para el estudio de las amenazas emergentes de peeking de webcam con tecnologías de webcam en evolución y el desarrollo de infraestructuras de videoconferencia más seguras. ∙ Nuestro trabajo cuantifica los límites y factores primarios que predicen el grado de fuga de información de la webcam peeking utilizando modelado teórico y experimentación.Esta caracterización ayuda a predecir futuras vulnerabilidades desconocidas vinculadas a los límites de las tecnologías de webcam en evolución que aún no existen. Nuestra metodología de benchmarking se basa en convenciones de diseño de texto web y un estudio de usuarios de 20 participantes en las cámaras actuales para que la referencia pueda aplicarse a las cámaras hipotéticas y emergentes en los próximos años. ∙ Análisis de mitigaciones a corto plazo, incluyendo el uso de filtros de desvanecimiento basados en software y el cambio de configuraciones físicas, así como posibles defensas a largo plazo mediante pruebas proactivas y siguiendo un principio de menor privilegio. 
 
 Este artículo está disponible en archivo bajo la licencia ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Este artículo está disponible en archivo bajo la licencia ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Disponible en Archivo

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

Read My Stories

undefined's blog

Este audio es producido en el idioma original de la historia!

Sus gafas pueden estar jugando secretos sensibles en las llamadas de vídeo

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps