无需标签数据即可从键盘声重建文本的自监督声学窃听攻击

该论文提出一种自监督声学窃听攻击方法，仅凭击键声音即可重建输入文本，无需针对目标设备进行标注数据训练。该方法结合无监督声学聚类、基于 Transformer 的语言模型推理和迭代自训练，在近距离录音设置下，仅需观察 100-150 次击键即可实现超过 99% 的重建准确率，显著优于低数据量下的无监督基线。

研究进一步验证了该方法在多种现实场景中的鲁棒性：包括同一桌面上约 3 米距离的录音、通过墙壁使用接触式麦克风窃听，以及在线会议系统中的背景键盘噪声。在这些场景中，该方法通常仅需 150-250 次击键即可保持超过 90% 的重建准确率。实验覆盖了多个笔记本电脑平台，证明了音频单独设置下文本重建的可行性。

事实层面，该研究证实了在缺乏设备特定标签的情况下，利用 Transformer 架构进行声学到字符映射推断是可行的。推断层面，这表明现有的隐私保护机制可能低估了物理空间和在线会议中的声学侧信道风险，攻击者无需预先采集目标设备的声音特征即可实施有效窃听。猜测层面，由于测试环境主要依赖近距离或特定麦克风设置，实际远距离或非受控环境下的攻击成功率可能低于论文报告数值，但核心机制表明此类攻击门槛已大幅降低。