Современная кибербезопасность традиционно фокусируется на защите программного кода и шифровании данных. Однако физика аппаратного обеспечения создает уязвимости, которые невозможно устранить обычным обновлением системы. Исследователи обнаружили способ считывать активность пользователя, анализируя электромагнитные утечки устройства. Этот метод превращает энергопотребление смартфона в уникальный идентификатор действий, игнорируя любые программные запреты.
В мире цифровой безопасности существует понятие «атак по сторонним каналам» (side-channel attacks). В то время как большинство экспертов ищет дыры в операционных системах или пытается взломать протоколы шифрования, физический уровень устройства остается своего рода «слепой зоной». Именно здесь обнаружили брешь ученые из Народного университета общественной безопасности Китая, предложив метод слежки, который делает бессмысленными даже самые строгие настройки приватности.
Суть проблемы кроется в фундаментальных законах электродинамики. Любое действие в смартфоне — будь то отправка сообщения или запуск тяжелой игры — вызывает специфическую нагрузку на аппаратные компоненты. Процессор, графический ускоритель, модули Wi-Fi, GPS и контроллеры памяти потребляют энергию неравномерно. Эти колебания в энергопотреблении неизбежно порождают низкочастотное электромагнитное излучение, которое фактически является «эхом» выполняемых операций.
Для перехвата этих сигналов исследователи использовали внешнюю электромагнитную катушку, настроенную на диапазон от 150 до 650 кГц. Полученные данные представляют собой сложный спектральный шум, который человеческому глазу кажется хаотичным, но для алгоритмов искусственного интеллекта он превращается в четкий «отпечаток пальца». Обученная нейросеть способна сопоставить конкретный паттерн излучения с определенным приложением или действием пользователя.
Эффективность метода была подтверждена на устройствах разных экосистем: iPhone 15 Pro, Xiaomi 15 Pro и Oppo Reno 13. Результаты оказались впечатляющими: точность распознавания запущенных приложений, таких как Douyin, WeChat, Baidu Maps или браузер, достигла 99,07%. Более того, система смогла дифференцировать даже мельчайшие изменения в поведении пользователя внутри одного сервиса. Например, при просмотре видео на YouTube или Bilibili ИИ с точностью 95,61% определял, когда пользователь ставит видео на паузу, нажимает воспроизведение или ускоряет запись.
Самым тревожным аспектом этой технологии является её абсолютная автономность от программного обеспечения. Поскольку метод опирается на физические утечки, он работает в ситуациях, которые ранее считались безопасными: когда смартфон заблокирован, отключен от всех сетей или даже переведен в режим полета. В таком сценарии устройство превращается в пассивный передатчик, который сообщает о действиях владельца любому, кто обладает соответствующим оборудованием для приема сигнала.
С точки зрения практического применения, авторы исследования делают акцент на криминалистике и цифровых расследованиях. Возможность получить независимое подтверждение того, что на устройстве запускалось конкретное приложение, без необходимости физического взлома памяти или получения доступа к облачным бэкапам, значительно расширяет доказательную базу. Однако за этим стоит и более глобальная угроза — возможность скрытого построения детального поведенческого профиля человека.
Тем не менее, на текущем этапе технология имеет существенные ограничения. Все успешные тесты проводились в лабораторных условиях при минимальном расстоянии между датчиком и смартфоном. В реальном мире, в условиях плотной городской застройки, наличия защитных чехлов и огромного количества электромагнитных помех от других устройств, точность считывания может резко упасть. Однако история развития радиоэлектронной разведки показывает, что любые подобные ограничения со временем преодолеваются за счет более чувствительных антенн и совершенствования алгоритмов фильтрации шума.
Эра цифровых рекрутеров в США
