مع التطور السريع للعلوم والتكنولوجيا، أصبحت قضايا أمن المعلومات بارزة بشكل متزايد. غالبًا ما نولي اهتمامًا لجوانب مثل أمان الشبكة وتشفير البيانات، ولكننا غالبًا ما نتجاهل بعض التفاصيل التي تبدو غير واضحة. في الآونة الأخيرة، أعطتنا نتيجة بحث أجراها فريق بحث من كلية الهندسة بجامعة جمهورية الأوروغواي فهمًا أعمق لأمن المعلومات. كشفت هذه الدراسة عن إمكانية تسرب الإشعاع الكهرومغناطيسي للمعلومات من خطوط بيانات HDMI، واستخدمت تقنية الذكاء الاصطناعي لاستعادة محتوى الصورة الأصلية بنجاح من هذه الإشارات المسربة. سيأخذك محرر Downcodes لمعرفة المزيد حول هذا البحث الصادم.
في العصر الرقمي، أصبحت أهمية حماية الخصوصية بارزة بشكل متزايد، ولكن ربما لم تعتقد أنه حتى الإشعاع الكهرومغناطيسي لكابلات بيانات HDMI قد يصبح قناة لتسرب المعلومات. في الآونة الأخيرة، نجح فريق بحث من كلية الهندسة بجامعة جمهورية الأوروغواي في تحقيق إنجاز استعادة محتوى الصورة الأصلي من الإشارات الكهرومغناطيسية المتسربة من كابلات بيانات HDMI من خلال تقنية الذكاء الاصطناعي.
يوجد في قلب هذا البحث نموذج ذكاء اصطناعي متكامل يركز على استعادة النص قادر على تقليل معدل خطأ الأحرف في إشارات HDMI إلى 30% تقريبًا. قد يبدو هذا مجردا بعض الشيء، ولكن تخيل أن أقصى اليمين هو ما يتم عرضه على شاشة الكمبيوتر الخاص بك، والوسط هو الناتج النهائي لنموذج الذكاء الاصطناعي، ويمكنك تقدير قوة هذه التكنولوجيا.
نحن نعلم أن استعادة الإشارات الرقمية مثل HDMI أكثر صعوبة من الإشارات التناظرية لأن تشفير 10 بت يؤدي إلى زيادة عرض النطاق الترددي وتعيين غير خطي بين كثافة الإشارة والبكسل. ومع ذلك، فإن ظهور هذه التكنولوجيا جعل الموجات الكهرومغناطيسية بعيدة المنال في الأصل قابلة لفك التشفير.
استخدم فريق البحث في البداية الهوائيات لالتقاط الموجات الكهرومغناطيسية المنبعثة من كابلات وموصلات HDMI، ثم استقبلوا هذه الإشارات من خلال جهاز راديو محدد بالبرمجيات (SDR) وقاموا بتحويلها إلى عينات رقمية. بعد ذلك، يتم استخدام الأدوات البرمجية لمعالجة الإشارة واستخراج بيانات الصورة وإدخالها أخيرًا في نموذج الذكاء الاصطناعي للتعرف على الصور وتحسينها.
المفتاح هو أنهم استخدموا Deep Residual UNet (DRUNet)، وهي شبكة عصبية تلافيفية ذات بنية تشفير وفك تشفير مناسبة بشكل خاص لمهام استعادة الصور. من خلال تحسين بنية الشبكة وعملية التدريب، تعمل DRUNet على تحسين جودة استعادة الصور بشكل كبير، خاصة من حيث إمكانية قراءة النص.
وللتحقق من صحة هذه التقنية، أنشأ الفريق مجموعة بيانات تحتوي على ما يقرب من 3500 عينة للاختبار. تظهر النتائج أنه في مجموعات البيانات الحقيقية، يُظهر النموذج الذي يستخدم عينات معقدة أفضل أداء في مقاييس التقييم المتعددة. تتميز الطرق التقليدية بمعدل خطأ في الأحرف يزيد عن 90% في مجموعات البيانات الحقيقية، بينما يمكن لنموذجها تقليل هذا الرقم إلى 35.3%.
لا يوضح هذا البحث إمكانات تطبيق الذكاء الاصطناعي في مجال أمن المعلومات فحسب، بل يذكرنا أيضًا أنه حتى اتصال HDMI الذي يبدو آمنًا قد يظل معرضًا لخطر سرقة المعلومات. ومع ذلك، اقترح فريق البحث أيضًا إجراءات وقائية، مثل إضافة ضوضاء منخفضة المستوى إلى صورة العرض أو استخدام تدرجات الخلفية، والتي يمكن أن تقلل بشكل فعال من معدل نجاح التسرب الكهرومغناطيسي.
عنوان المشروع: https://github.com/emidan19/deep-tempest
عنوان الورقة: https://arxiv.org/pdf/2407.09717
أثار هذا البحث تفكير الناس العميق حول أمن المعلومات وقدم أيضًا اتجاهًا جديدًا لتطوير تكنولوجيا حماية أمن المعلومات في المستقبل. يوصي محرر Downcodes الجميع بالاهتمام بأمن المعلومات واتخاذ التدابير الوقائية المناسبة لحماية الخصوصية الشخصية وأمن البيانات. ومن المأمول أن يجذب هذا البحث انتباه المزيد من الناس ويعزز التقدم في تكنولوجيا أمن المعلومات.