Deep-TEMPEST: Using Deep Learning to Eavesdrop on HDMI from its Unintended Electromagnetic Emanations

本文研究了数字视频显示器被窃听的问题，通过分析从电缆和连接器（特别是HDMI）无意中发出的电磁波来解决这个问题，这个问题被称为TEMPEST。与模拟情况（VGA）相比，数字情况更难处理，因为10位编码导致带宽更大，并且观察信号和像素强度之间存在非线性映射。因此，为模拟情况设计的窃听系统在应用于数字视频时会获得不清晰和难以阅读的图像。提出的解决方案是将问题重新定义为逆问题，并训练深度学习模块将观察到的电磁信号映射回显示的图像。然而，这种方法仍然需要对信号进行详细的数学分析，首先确定要调谐的频率，还需要生成训练样本，而不需要实际需要TEMPEST设置。这节省了时间，避免了获取这些样本的需要，特别是如果正在考虑多个配置的情况下。我们的重点是提高文本的平均字符错误率，我们的系统相对于以前可用的实现，将该率提高了超过60个百分点。所提出的系统基于广泛可用的软件定义无线电，并完全开放源代码，无缝集成到流行的GNU Radio框架中。我们还分享了我们生成的数据集，其中包括模拟和1000多个真实捕获。最后，我们讨论了一些对策，以最小化基于类似原理设计的系统窃听的潜在风险。

解决问题：论文试图解决通过分析数字视频显示器所产生的电磁波来窃听的问题，即TEMPEST问题。

关键思路：将TEMPEST问题转化为一个反问题，并训练深度学习模块将观测到的电磁信号映射回显示的图像。

其他亮点：使用开源的软件定义无线电和GNU Radio框架，生成了包括模拟和1000多个真实捕获的数据集。通过提高平均字符错误率，该系统相比之前的实现提高了60个百分点。最后，讨论了一些最小化类似原理的系统窃听风险的对策。

相关研究：最近的相关研究包括“TEMPEST: A Signal Problem”和“TEMPEST Without Emission”。