想必你永遠不會想到，有一天你也會被自己的鍵盤出賣。 對，就是你每日敲擊的鍵盤。當指尖在鍵盤上跳躍，清脆的噼啪聲此起彼落時，你輸入的所有信息，包括那些情真意切的詞句，那些不欲人知的心事，還有你的網(wǎng)絡賬戶、銀行密碼…… 全都被它泄露了。 鍵盤，還能被黑？？？ 前不久，一個叫做Keytap的 “黑科技” 在國外火了。Keytap 通過監(jiān)聽你敲擊鍵盤的聲音，就能還原出你輸入的內容。 而且，只需要通過你電腦里的麥克風，就能完成聲波采集的任務。 在一段發(fā)布于網(wǎng)上的 Demo 里，Keytap 作者展示了在 iMac+Filco 機械鍵盤環(huán)境中，這個算法的優(yōu)秀程度，請看：

四步偷窺大法

搭建這樣一個 “偷窺” 打字的模型并不難，Keytap 算法也已經(jīng)開源了。跟著做，只要如下四步：

一是，收集訓練數(shù)據(jù)； 二是，搭建預測模型，學習一下數(shù)據(jù)； 三是，檢測出有人在敲鍵盤； 四是，檢測出 ta 在打什么字。

收集訓練數(shù)據(jù)

Keytap 收集數(shù)據(jù)時，只保留每次敲擊前后 75-100 毫秒的音頻。 這就是說，并非連續(xù)取樣，兩次敲擊之間有一部分是忽略的。 這種做法是會犧牲一些信息量的。 從敲下按鍵，到程序受到指令，這之間有隨機延時，與硬件和軟件都有關系。 比如，按下 g 鍵的完整波形長這樣：

看圖像可以發(fā)現(xiàn)，敲擊時出現(xiàn)了一個峰值，而再過大約 150 毫秒，又有一個按鍵被抬起的小峰值。 這樣說來，100 毫秒之外的信息也可能有用，不過這里為了簡便就忽略了。 最終，收集到的數(shù)據(jù)長這樣：

除此之外，局限性還在于，如果兩次按鍵之間相隔不久，后者落在前者的后 75 毫秒之內，那數(shù)據(jù)可能就有些混雜了。

搭個預測模型

這個部分是最能發(fā)揮創(chuàng)造力的部分。Keytap 用了一個非常簡單的方法，分為三步：

1.把收集到的波形的峰值對齊。這樣可以避免延時帶來的影響。

2.基于相似度指標 （Similarity Metric） ，更精細地對齊波形。 需要更精確的對齊方法，是因為有時候峰值未必是最好的判斷依據(jù)。 那么，可不可以跳過峰值對齊呢？ 之所以第 2 步之前要先做第 1 步，是因為相似度指標的計算很占 CPU。而第 1 步可以有效縮小對齊窗口 （Alignment Window） ，減少計算量。

3.對齊后，做簡單加權平均。權重也是用相似度指標來定義的。 完成第 3 步之后，每一個按鍵都會得出一個平均波形 （a Single Averaged Waveform） ，用來和實時捕捉的數(shù)據(jù)做比對。 Keytap 用的相似度指標是互相關（Cross Correlation， CC） ，長這樣：

這里，Ai 和 Bi 都是某個按鍵的波形樣本，比對就在它們之間進行。CC 值越高，表示兩者越相似。 當然，也可以用其他相似度指標來做。 順便一說，兩次按鍵之間的間隔時長，其實也可以用來預測的，但開發(fā)者怕麻煩就省略了，勇敢的少年可以去源代碼基礎上自行實驗。

檢測出在敲鍵盤

平均波形和比對標準都有了，可是麥克風實時收錄的聲音連綿不絕，該和哪一段來比對呢？ 這就需要從連續(xù)的音頻里，找到敲擊鍵盤的聲音。 Keytap 用了一個非常簡單的閾值方法，在原始音頻里監(jiān)測敲擊動作： 按下去的時候，會有一個大大的峰值，這就是偵測目標。 不過，這個閾值不是固定的，是自適應 (Adaptive) 的：根據(jù)過去數(shù)百毫秒之內的平均樣本強度來調整的。

檢測打了什么字

當系統(tǒng)發(fā)現(xiàn)有人在敲鍵盤，就用相似度指標來測到底按了哪個鍵，CC 值最高的就是答案。方法就像上文說的那樣。 現(xiàn)在，代碼實現(xiàn)已經(jīng)開源了，傳送門見文底。 不過，作者在博客中說，這個方法目前只有機械鍵盤適用。

“薯片間諜”

聽音識字的研究不止這一個，去年一篇 Don’t Skype & Type!Acoustic Eavesdropping in Voice-Over-IP 的論文，也提出了 Skype & Type（S&T）鍵盤聲音識別算法。 和這個研究類似，根據(jù)網(wǎng)絡電話 Skepe 中傳出的打字按鍵聲音，在了解了被測者的打字風格和設備類型后，系統(tǒng)能復原敲下了什么。

整個算法搭建過程只有三步：收集信息、數(shù)據(jù)處理與數(shù)據(jù)分類。 研究人員事先收集語音電話中鍵盤敲擊聲，將這些聲音分為兩類，即按下聲與松開回彈聲，隨后提取它們的特征。 當聽到鍵盤聲時，算法先識別設備類型，再去識別為鍵盤中的哪個鍵。和 Keytap 不同的是，S&T 也能適用于非機械鍵盤了。

研究人員表示，在預測的最可能的前 5 個字母中，包含正確字母的準確率達到了 91.7%。 這篇論文發(fā)表在 ACM 亞洲計算機和通訊安全大會（ASIACCS 2017）上，地址： https://www.math.unipd.it/~dlain/papers/2017-skype.pdf 推測人類講了什么，AI 需要甚至只是一包薯片。

什么，覺得太離譜了？Naive。 MIT、微軟和 Adobe 開發(fā)的這種看似天方夜譚的算法，只需高速相機透過隔音玻璃，拍攝出薯片袋的振動，算法就會判斷說話人是男是女，甚至還原出說了什么。

研究人員表示，聲音傳播時觸碰到周圍的物體，會震動形成一股微妙的視覺信號，肉眼無法識別，但高速相機（每秒幀數(shù) 2000~6000 FPS）可以敏銳捕捉。

除了薯片袋子，研究人員還用鋁箔、水杯甚至植物盆栽進行了試驗，效果 “一如既往的好”。

這不是野生研究，相關論文 The Visual Microphone：Passive Recovery of Sound from Video 還登上了 2014 年的 Siggraph 計算機圖形學大會。 論文地址（注意科學前往）：http://t.cn/EyZEZYI傳送門方法雖多，如果想自己動手搞一個，這些 Keytap 相關資源還是要收好： 博客地址： https://ggerganov.github.io/jekyll/update/2018/11/30/keytap-description-and-thoughts.html 代碼地址： https://github.com/ggerganov/kbd-audio Demo： https://ggerganov.github.io/jekyll/update/2018/11/24/keytap.html 噓，掩好口鼻，輕聲撤退。

責任編輯：xj

原文標題：一個讓我感到毛骨悚然的GitHub項目！

文章出處：【微信公眾號：嵌入式ARM】歡迎添加關注！文章轉載請注明出處。