你敲键盘的声音泄露了你的内容 | 附开源代码

没想到吧，有一天你会被键盘出卖。

对，就是你每日敲击的键盘。当指尖在键盘上跳跃，清脆的噼啪声此起彼落时，你输入的所有信息，包括那些情真意切的词句，那些不欲人知的心事，还有你的网络账户、银行密码……全都被它泄露了。

键盘，还能被黑？？？

今天，一个叫做 Keytap 的“黑科技”在国外火了。Keytap通过监听你敲击键盘的声音，就能还原出你输入的内容。

而且，只需要通过你电脑里的麦克风，就能完成声波采集的任务。

在一段发布于网上的Demo里，Keytap作者展示了在iMac+Filco机械键盘环境中，这个算法的优秀程度，请看：

四步偷窥大法

搭建这样一个“偷窥”打字的模型并不难，Keytap算法也已经开源了。跟着做，只要如下四步：

一是，收集训练数据；

二是，搭建预测模型，学习一下数据；

三是，检测出有人在敲键盘；

四是，检测出ta在打什么字。

收集训练数据

Keytap收集数据时，只保留每次敲击前后75-100毫秒的音频。

这就是说，并非连续取样， 两次敲击之间 有一部分是忽略的。

这种做法是会牺牲一些信息量的。

从敲下按键，到程序受到指令，这之间有随机延时，与硬件和软件都有关系。

比如，按下g键的完整波形长这样：

看图像可以发现，敲击时出现了一个峰值，而再过大约150毫秒，又有一个按键被抬起的小峰值。

这样说来，100毫秒之外的信息也可能有用，不过这里为了简便就忽略了。

最终，收集到的数据长这样：

除此之外，局限性还在于，如果两次按键之间相隔不久，后者落在前者的后75毫秒之内，那数据可能就有些混杂了。

搭个预测模型

这个部分是最能发挥创造力的部分。Keytap用了一个非常简单的方法，分为三步：

1.把收集到的波形的峰值对齐。这样可以避免延时带来的影响。

2.基于相似度指标 (Similarity Metric) ，更精细地对齐波形。

需要更精确的对齐方法，是因为有时候峰值未必是最好的判断依据。

那么，可不可以跳过峰值对齐呢？

之所以第2步之前要先做第1步，是因为相似度指标的计算很占CPU。而第1步可以有效缩小对齐窗口 (Alignment Window) ，减少计算量。

3.对齐后，做简单加权平均。权重也是用相似度指标来定义的。

完成第3步之后，每一个按键都会得出一个平均波形 (a Single Averaged Waveform) ，用来和实时捕捉的数据做 比对 。

Keytap用的 相似度指标 是 互相关 (Cross Correlation, CC) ，长这样：

这里，Ai和Bi都是某个按键的波形样本，比对就在它们之间进行。CC值越高，表示两者越相似。

当然，也可以用其他相似度指标来做。

顺便一说，两次按键之间的 间隔时长 ，其实也可以用来预测的，但开发者怕麻烦就省略了，勇敢的少年可以去源代码基础上自行实验。

检测出在敲键盘

平均波形和比对标准都有了，可是麦克风实时收录的声音连绵不绝，该和哪一段来比对呢？

这就需要从连续的音频里，找到敲击键盘的声音。

Keytap用了一个非常简单的阈值方法，在原始音频里监测敲击动作：

按下去的时候，会有一个大大的峰值，这就是侦测目标。

不过，这个阈值不是固定的，是自适应 (Adaptive) 的：根据过去数百毫秒之内的平均样本强度来调整的。

检测打了什么字

当系统发现有人在敲键盘，就用相似度指标来测到底按了哪个键，CC值最高的就是答案。方法就像上文说的那样。

现在，代码实现已经 开源 了，传送门见文底。

不过，作者在博客中说，这个方法目前只有 机械键盘 适用。

“薯片间谍”

听音识字的研究不止这一个，去年一篇Don’t Skype & Type!Acoustic Eavesdropping in Voice-Over-IP的论文，也提出了Skype & Type（S&T）键盘声音识别算法。

和这个研究类似，根据网络电话Skepe中传出的打字按键声音，在了解了被测者的打字风格和设备类型后，系统能复原敲下了什么。

整个算法搭建过程只有三步：收集信息、数据处理与数据分类。

研究人员事先收集语音电话中键盘敲击声，将这些声音分为两类，即按下声与松开回弹声，随后提取它们的特征。

当听到键盘声时，算法先识别设备类型，再去识别为键盘中的哪个键。和Keytap不同的是，S&T也能适用于非机械键盘了。

研究人员表示，在预测的最可能的前5个字母中，包含正确字母的准确率达到了91.7%。

这篇论文发表在ACM亚洲计算机和通讯安全大会（ASIACCS 2017）上，地址：

https://www.math.unipd.it/~dlain/papers/2017-skype.pdf

推测人类讲了什么，AI需要甚至只是 一包薯片 。

什么，觉得太离谱了？Naive。

MIT、微软和Adobe开发的这种看似天方夜谭的算法，只需高速相机透过隔音玻璃，拍摄出薯片袋的振动，算法就会判断说话人是男是女，甚至还原出说了什么。

△对，就是这种生活中随处可见的薯片

研究人员表示，声音传播时触碰到周围的物体，会震动形成一股微妙的视觉信号，肉眼无法识别，但高速相机（每秒帧数2000~6000 FPS）可以敏锐捕捉。

除了薯片袋子，研究人员还用铝箔、水杯甚至植物盆栽进行了试验，效果“一如既往的好”。

这不是野生研究，相关论文The Visual Microphone：Passive Recovery of Sound from Video还登上了2014年的Siggraph计算机图形学大会。

论文地址（注意科学前往）：

http://t.cn/EyZEZYI

传送门

方法虽多，如果想自己动手搞一个，这些Keytap相关资源还是要收好：

博客地址：

https://ggerganov.github.io/jekyll/update/2018/11/30/keytap-deion-and-thoughts.html

代码地址：

https://github.com/ggerganov/kbd-audio

Demo：

https://ggerganov.github.io/jekyll/update/2018/11/24/keytap.html

嘘，掩好口鼻，轻声撤退。

— 完—