Identifying keys using acoustic emanations from keystrokes

Abstract

Tidligere forskining har vist det er mulig å rekonstruere tekst skrevet på tastatur ved å analysere lyden som blir laget. Dette indikerer en stor sikkerhetstrussel, og et behov for videre forsking. I denne masteoppgaven presenterer vi vårt eget system og sammenligner vår metode og resultater med tidligere forsking. Da vi samlet data brukte vi fire mikrofoner plasert rundt et tastatur, krysskorrelasjon er så brukt til å måle tidsforskjellen mellom ankomster, som blir brukt til å identifisere hvilken tast som ble trykket. Vi foreslår en ny metode for å begrense feil fra krysskorrelasjon-funksjonene og våre tester viste en signifikant forbedring.

Vårt system er laget med tanke på videre forsking, slik at det kan gjøres forbedringer og testing av alternative metoder. Etter å ha slitt med å lage et fungerende system med data samlet av en annen student, bestemte vi oss for å investere mye tid å krefter i å samle inn vår egen data, noe framtidige forskere kan dra nytte av.

Til slutt klarte systemet vårt å identifisere hvilken tast som ble trykket 87.1\% av tiden. Om videre forskning drar nytte av stavekontroll og gramatikk, kan nøyaktigheten enkelt forbedres.

Previous research has proved it possible to reconstruct text typed on a keyboard by analyzing the acoustic emanations. This indicates a serious security vulnerability, and the need for further understanding. In this master thesis we present our own system and compare our method and results with previous work. Data was collected using four microphones placed around a keyboard, cross-correlation is then used to measure the time-difference of arrival measurements which are used to identify which key was pressed. We propose a new method of mitigating errors from the cross-correlation functions and our test showed a significant improvement.

Our system was made with future research in mind, allowing for improvements and testing of alternate methods. After struggling to get a working system using a data set collected by another student, we decided to invest a lot of time and effort in collecting our own, something future researchers also can take advantage of.

In the end our system was able to identify what key was pressed 87.1\% of the time. If future research takes advantage of spell checking and grammar, the accuracy can be easily improved.