【蓝因子教育】你永远不会想到，有一天你的键盘也会把你出卖！

想必你永远不会想到，有一天你也会被自己的键盘出卖。

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？？？

前不久，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。

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。

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 Siggraph 计算机图形学大会。