विषय सूची
- 1. परिचय
- 2. मुख्य अंतर्दृष्टि: खतरा वास्तविक और सुलभ है
- 3. तार्किक प्रवाह: उत्सर्जन से पुनर्निर्माण तक
- 3.1 स्मार्टफोन के माध्यम से डेटा संग्रह
- 3.2 फीचर इंजीनियरिंग और मॉडल प्रशिक्षण
- 3.3 G-code Reconstruction (SCReG)
- 4. Strengths & Flaws: A Critical Evaluation
- 4.1 Strengths
- 4.2 Flaws and Limitations
- 5. कार्रवाई योग्य अंतर्दृष्टि: उद्योग के लिए इसका क्या अर्थ है
- 6. तकनीकी विवरण और गणितीय सूत्रीकरण
- 7. प्रयोगात्मक परिणाम और डेटा विज़ुअलाइज़ेशन
- 8. विश्लेषण ढाँचा: एक केस स्टडी
- 9. मूल विश्लेषण: एक व्यापक परिप्रेक्ष्य
- 10. भविष्य के अनुप्रयोग और दिशाएँ
- 11. निष्कर्ष
- 12. संदर्भ
1. परिचय
जमारानी एट अल. द्वारा लिखित पेपर "डिकोडिंग इंटेलेक्चुअल प्रॉपर्टी: एक 3D प्रिंटर पर ध्वनिक और चुंबकीय साइड-चैनल हमला" एक अभूतपूर्व लेकिन गहराई से चिंताजनक प्रदर्शन प्रस्तुत करता है कि कितनी आसानी से बौद्धिक संपदा (IP) को 3D प्रिंटर से चुराया जा सकता है। लेखक साबित करते हैं कि केवल एक स्मार्टफोन के माइक्रोफोन और मैग्नेटोमीटर का उपयोग करके, एक हमलावर अद्भुत सटीकता के साथ प्रिंट जॉब के G-code निर्देशों का पुनर्निर्माण कर सकता है। यह कोई सैद्धांतिक खतरा नहीं है; यह मशीन के भौतिक उत्सर्जन का शोषण करने वाला एक व्यावहारिक, कम लागत वाला और अत्यधिक प्रभावी हमला वेक्टर है। हमले का मूल इस तथ्य में निहित है कि प्रिंटर की प्रत्येक यांत्रिक गति—स्टेपर मोटर रोटेशन, नोजल मूवमेंट और पंखे की गति—एक अद्वितीय ध्वनिक और चुंबकीय हस्ताक्षर उत्पन्न करती है। इन हस्ताक्षरों पर एक ग्रेडिएंट बूस्टेड डिसीजन ट्री (GBDT) मॉडल को प्रशिक्षित करके, शोधकर्ताओं ने व्यक्तिगत गतिविधियों के लिए 98.80% की औसत भविष्यवाणी सटीकता और पूर्ण G-code अनुक्रम के पुनर्निर्माण के लिए केवल 4.47% की मीन टेंडेंसी एरर (MTE) प्राप्त की। यह कार्य इस भ्रम को चकनाचूर कर देता है कि भौतिक सुरक्षा डिजिटल IP की रक्षा के लिए पर्याप्त है।
2. मुख्य अंतर्दृष्टि: खतरा वास्तविक और सुलभ है
आइए अकादमिक शब्दजाल को छोड़ दें। यहाँ मुख्य अंतर्दृष्टि बेहद सरल है: आपका 3D प्रिंटर अपने रहस्यों को हवा में चिल्ला रहा है, और कोई भी स्मार्टफोन वाला उन्हें सुन सकता है। 3D प्रिंटर पर पिछले साइड-चैनल हमलों के लिए मशीन से इंचों की दूरी पर रखे गए महंगे, विशेष उपकरणों की आवश्यकता होती थी। यह पेपर प्रदर्शित करता है कि एक मानक स्मार्टफोन, अधिक दूरी पर रखा गया, पर्याप्त है। यह हमले को लोकतांत्रिक बनाता है। यह अब केवल राज्य-प्रायोजित अभिनेताओं या अच्छी तरह से वित्त पोषित कॉर्पोरेट जासूसों का क्षेत्र नहीं है। एक असंतुष्ट कर्मचारी, एक साझा कार्यक्षेत्र में एक प्रतियोगी, या यहां तक कि एक उत्सुक शौकिया भी अब एक मालिकाना डिज़ाइन चुरा सकता है। GBDT का उपयोग एक चतुर विकल्प है, क्योंकि यह ध्वनिक/चुंबकीय संकेतों और यांत्रिक क्रियाओं के बीच गैर-रेखीय संबंधों को असाधारण रूप से अच्छी तरह से संभालता है, इस संदर्भ में SVM या रैंडम फ़ॉरेस्ट जैसे सरल मॉडलों से बेहतर प्रदर्शन करता है। खतरा केवल वास्तविक नहीं है; यह सर्वव्यापी है।
3. तार्किक प्रवाह: उत्सर्जन से पुनर्निर्माण तक
लेखकों की पद्धति व्यावहारिक साइड-चैनल विश्लेषण में एक मास्टरक्लास है। तार्किक प्रवाह साफ, सुव्यवस्थित और पुनरुत्पादनीय है।
3.1 स्मार्टफोन के माध्यम से डेटा संग्रह
हमला डेटा संग्रह से शुरू होता है। एक स्मार्टफोन 3D प्रिंटर के पास रखा जाता है, जो ऑडियो (माइक्रोफोन के माध्यम से) और चुंबकीय क्षेत्र डेटा (मैग्नेटोमीटर के माध्यम से) दोनों रिकॉर्ड करता है। यहाँ मुख्य नवाचार दूरी है। पिछले कार्यों में रिकॉर्डिंग डिवाइस को प्रिंटर से सेंटीमीटर के भीतर रखने की आवश्यकता होती थी। यह पेपर दिखाता है कि कई फीट दूर रखा गया स्मार्टफोन अभी भी पर्याप्त रूप से विशिष्ट संकेतों को कैप्चर कर सकता है। प्रशिक्षण चरण के लिए ज्ञात G-code कमांड के आधार पर डेटा को सिंक्रनाइज़ और खंडित किया जाता है।
3.2 फीचर इंजीनियरिंग और मॉडल प्रशिक्षण
कच्चा ऑडियो और चुंबकीय डेटा शोरगुल वाला होता है। लेखक ऑडियो के लिए Mel-Frequency Cepstral Coefficients (MFCCs), स्पेक्ट्रल सेंट्रोइड्स, और चुंबकीय क्षेत्र के लिए सांख्यिकीय विशेषताएं (माध्य, प्रसरण, विषमता) सहित सुविधाओं का एक समृद्ध सेट निकालते हैं। इन सुविधाओं को एक Gradient Boosted Decision Tree (GBDT) मॉडल में फीड किया जाता है। मॉडल को सिग्नल के प्रत्येक खंड को एक विशिष्ट गति प्रकार में वर्गीकृत करने के लिए प्रशिक्षित किया जाता है: X-अक्ष गति, Y-अक्ष गति, Z-अक्ष गति, एक्सट्रूडर स्टेपर, नोजल पंखा, आदि। प्रशिक्षण डेटा को ग्राउंड ट्रुथ G-code कमांड के साथ लेबल किया जाता है।
3.3 G-code Reconstruction (SCReG)
Train kiya gaya model phir attack phase mein upyog kiya jaata hai. Smartphone ek naya, unknown print job record karta hai. Recorded signals ko segment kiya jaata hai aur model mein daala jaata hai. Model movements ke sequence ki bhavishyavani karta hai. Is predicted sequence ko phir SCReG (Side-Channel Reconstruction of G-code) algorithm ka upyog karke ek reconstructed G-code file mein joda jaata hai. Reconstructed G-code ka upyog mool vastu ki ek samaan pratilipi print karne ke liye kiya ja sakta hai, jisse IP ki chori hoti hai.
4. Strengths & Flaws: A Critical Evaluation
Koi bhi paper perfect nahi hota. Aaiye is kaam mein kya achha hai aur kahan kami hai, iske baare mein imaandar rahein.
4.1 Strengths
- Practicality: स्मार्टफोन का उपयोग एक गेम-चेंजर है। यह हमले को सुलभ और अस्वीकार्य बनाता है।
- उच्च सटीकता: व्यक्तिगत गतिविधियों के लिए 98.80% सटीकता असाधारण है। पूर्ण पुनर्निर्माण पर 4.47% MTE प्रभावशाली है, हालांकि यह ध्यान दिया जाना चाहिए कि यह एक "सादे" G-code डिज़ाइन के लिए है, संभवतः एक सरल ज्यामितीय आकार।
- मल्टी-चैनल फ्यूजन: ध्वनिक और चुंबकीय डेटा को संयोजित करना एक स्मार्ट कदम है। यह अतिरेक प्रदान करता है और शोर के खिलाफ मजबूती में सुधार करता है।
- स्पष्ट पद्धति: पेपर अच्छी तरह से संरचित है और पद्धति का पालन करना और दोहराना आसान है।
4.2 Flaws and Limitations
- परीक्षण का सीमित दायरा: यह पेपर एक एकल 3D प्रिंटर मॉडल पर परीक्षण करता है। विभिन्न प्रिंटर प्रकारों (जैसे, रेज़िन प्रिंटर, विभिन्न स्टेपर ड्राइवर वाले औद्योगिक FDM प्रिंटर) पर हमले की प्रभावशीलता अज्ञात है।
- परीक्षण वस्तु की सरलता: "सादा G-code डिज़ाइन" एक महत्वपूर्ण चेतावनी है। जटिल वस्तुएँ जिनमें पेचीदा टूलपाथ, परिवर्तनशील गति और कई सामग्री परिवर्तन शामिल हों, संभवतः त्रुटि दर को काफी बढ़ा देंगी।
- शोर सहनशीलता: प्रयोग संभवतः एक नियंत्रित प्रयोगशाला वातावरण में किए गए थे। पृष्ठभूमि शोर (अन्य मशीनें, बातचीत, HVAC सिस्टम) वाले वास्तविक दुनिया के परिदृश्य प्रदर्शन को खराब कर सकते हैं।
- प्रतिवाद विश्लेषण का अभाव: यह पेपर खतरे की पहचान तो करता है लेकिन कोई ठोस, परीक्षित प्रतिउपाय प्रस्तुत नहीं करता। यह हमले-केंद्रित पेपरों में एक सामान्य कमजोरी है।
5. कार्रवाई योग्य अंतर्दृष्टि: उद्योग के लिए इसका क्या अर्थ है
यह पेपर एक चेतावनी है। उद्योग इसे अनदेखा करने का जोखिम नहीं उठा सकता। ये रही मेरी कार्रवाई योग्य सिफारिशें:
- तत्काल ऑडिट: कोई भी संगठन जो मालिकाना डिज़ाइन के लिए 3D प्रिंटर का उपयोग करता है, उसे तुरंत अपनी भौतिक सुरक्षा का ऑडिट करना चाहिए। क्या प्रिंटर एक सुरक्षित, ध्वनिरोधी कमरे में है? क्या पास में स्मार्टफोन की अनुमति है?
- ध्वनिक परिरक्षण में निवेश करें: सरल ध्वनि-अवशोषक सामग्री हमलावर के लिए सिग्नल-टू-शोर अनुपात को काफी कम कर सकती है। ध्वनि-अवशोषक फोम वाले आवरण एक सस्ती और प्रभावी पहली पंक्ति की सुरक्षा हैं।
- प्रतिउपाय विकसित और तैनात करें: अनुसंधान समुदाय को प्रतिउपायों को प्राथमिकता देनी चाहिए। इसमें शामिल हो सकते हैं:
- ध्वनिक मास्किंग: सफेद शोर या विशिष्ट मास्किंग ध्वनियाँ बजाना जो प्रिंटर की ध्वनिक पहचान में हस्तक्षेप करती हैं।
- चुंबकीय परिरक्षण: चुंबकीय क्षेत्रों को रोकने के लिए म्यू-मेटल या अन्य लौहचुंबकीय सामग्री का उपयोग करना।
- G-code अस्पष्टीकरण: गैर-महत्वपूर्ण गतिविधियों के क्रम को यादृच्छिक करना या डमी गतिविधियाँ सम्मिलित करना जो अंतिम प्रिंट को प्रभावित न करें लेकिन साइड-चैनल मॉडल को भ्रमित करें।
- नीति और प्रशिक्षण: संवेदनशील 3D प्रिंटिंग संचालन के आस-पास स्मार्टफोन और अन्य रिकॉर्डिंग उपकरणों को स्पष्ट रूप से प्रतिबंधित करने के लिए सुरक्षा नीतियों को अपडेट करें। कर्मचारियों को इस विशिष्ट खतरे के वेक्टर पर प्रशिक्षित करें।
6. तकनीकी विवरण और गणितीय सूत्रीकरण
हमले का मूल समय-श्रृंखला सेंसर डेटा का वर्गीकरण है। आइए इसे औपचारिक रूप दें। मान लें $S_t$ समय $t$ पर सेंसर रीडिंग है, जो एक वेक्टर $[a_t, m_t]$ है, जहाँ $a_t$ ध्वनिक संकेत है और $m_t$ चुंबकीय क्षेत्र की ताकत है। लक्ष्य सेंसर रीडिंग के अनुक्रम $\{S_1, S_2, ..., S_T\}$ को G-code कमांड के अनुक्रम $\{C_1, C_2, ..., C_N\}$ में मैप करना है।
लेखक एक Gradient Boosted Decision Tree (GBDT) मॉडल का उपयोग करते हैं। GBDT एक एन्सेम्बल विधि है जो कमजोर निर्णय वृक्षों के संग्रह से एक मजबूत वर्गीकारक बनाती है। मॉडल को एक हानि फलन $L(y, \hat{y})$ को न्यूनतम करने के लिए प्रशिक्षित किया जाता है, जहाँ $y$ वास्तविक कमांड है और $\hat{y}$ अनुमानित कमांड है। GBDT एल्गोरिदम पिछले एन्सेम्बल की त्रुटियों को सुधारने के लिए पुनरावृत्त रूप से वृक्ष जोड़ता है। अंतिम भविष्यवाणी सभी वृक्षों के आउटपुट का भारित योग होती है:
$$\hat{y} = \sum_{k=1}^{K} \eta \cdot f_k(x)$$
जहाँ $f_k$ $k$-वां निर्णय वृक्ष है, $\eta$ सीखने की दर है, और $x$ सेंसर डेटा से निकाला गया फीचर वेक्टर है। फीचर वेक्टर में MFCCs, वर्णक्रमीय विशेषताएँ, और चुंबकीय क्षेत्र के सांख्यिकीय क्षण शामिल हैं।
पुनर्निर्माण त्रुटि को मीन टेंडेंसी एरर (MTE) द्वारा मापा जाता है:
$$MTE = \frac{1}{N} \sum_{i=1}^{N} \left| \frac{P_i - A_i}{A_i} \right| \times 100\%$$
जहाँ $P_i$ पूर्वानुमानित मान (जैसे, स्थिति, गति) है और $A_i$ मूल G-कोड से वास्तविक मान है।
7. प्रयोगात्मक परिणाम और डेटा विज़ुअलाइज़ेशन
प्रयोगात्मक परिणाम तालिकाओं और आंकड़ों की एक श्रृंखला में प्रस्तुत किए गए हैं। एक मुख्य तालिका प्रत्येक प्रकार की गति के लिए वर्गीकरण सटीकता दर्शाती है:
| गति का प्रकार | सटीकता (%) |
|---|---|
| X-अक्ष स्टेपर | 99.2 |
| Y-अक्ष स्टेपर | 98.7 |
| Z-अक्ष स्टेपर | 98.5 |
| एक्सट्रूडर स्टेपर | 99.1 |
| नोज़ल फैन | 97.8 |
| कुल औसत | 98.80 |
दूसरा चित्र (पाठ में वर्णित) एक साधारण वर्ग के लिए मूल G-code टूलपाथ और पुनर्निर्मित टूलपाथ के बीच तुलना दिखाता है। पुनर्निर्मित पथ मूल के निकटता से अनुसरण करता है, कोनों पर मामूली विचलन के साथ, जो 4.47% MTE का कारण है। लेखक एक भ्रम मैट्रिक्स भी प्रदान करते हैं, जो दर्शाता है कि अधिकांश गलत वर्गीकरण समान गतिविधियों (जैसे, समान गति पर X-अक्ष और Y-अक्ष गतिविधियाँ) के बीच होते हैं।
8. विश्लेषण ढाँचा: एक केस स्टडी
आइए SCReG ढांचे को एक काल्पनिक परिदृश्य पर लागू करें। एक कंपनी, "WidgetCorp" की कल्पना करें, जो एक मालिकाना ड्रोन प्रोपेलर प्रिंट करती है। इस प्रोपेलर का G-code एक व्यापार रहस्य है। एक हमलावर, ईव, अपना स्मार्टफोन प्रिंटर से 2 मीटर दूर एक डेस्क पर रखती है। वह पूरे प्रिंट कार्य को रिकॉर्ड करती है। फिर वह रिकॉर्डिंग का विश्लेषण करने के लिए पूर्व-प्रशिक्षित GBDT मॉडल (समान प्रिंटर पर प्रशिक्षित) का उपयोग करती है। मॉडल गतिविधियों के अनुक्रम की भविष्यवाणी करता है। ईव का पुनर्निर्माण एल्गोरिदम एक G-code फ़ाइल आउटपुट करता है। वह इस फ़ाइल को अपने स्वयं के 3D प्रिंटर में लोड करती है और प्रोपेलर की एक पूर्ण प्रतिलिपि प्रिंट करती है। WidgetCorp ने अपना प्रतिस्पर्धात्मक लाभ खो दिया है। यह केस स्टडी हमले की सरलता और विनाशकारी प्रभाव को उजागर करती है। एकमात्र बचाव डेटा को पहले स्थान पर कैप्चर होने से रोकना है, या प्रतिउपायों के माध्यम से कैप्चर किए गए डेटा को बेकार करना है।
9. मूल विश्लेषण: एक व्यापक परिप्रेक्ष्य
यह पेपर साइबर-भौतिक सुरक्षा के क्षेत्र में एक महत्वपूर्ण योगदान है, लेकिन इसे एक बड़े संदर्भ में देखा जाना चाहिए। यह हमला भौतिक-से-साइबर शोषण का एक उत्कृष्ट उदाहरण है, एक श्रेणी जिसमें कीबोर्ड (ध्वनिक कीलॉगिंग), हार्ड ड्राइव (ध्वनिक ड्राइव प्रोफाइलिंग), और यहां तक कि मानव शरीर (जैसे, PIN अनुमान लगाने के लिए स्मार्टवॉच मोशन सेंसर का उपयोग) पर हमले शामिल हैं। मूल सिद्धांत यह है कि कोई भी भौतिक प्रक्रिया जो मापने योग्य उत्सर्जन उत्पन्न करती है, उसे रिवर्स-इंजीनियर किया जा सकता है। यह कोई नया विचार नहीं है, लेकिन पेपर का क्रियान्वयन असाधारण रूप से साफ और व्यावहारिक है।
तकनीकी दृष्टिकोण से, GBDT का चयन समझदारी भरा है। जैसा कि Friedman (2001) द्वारा GBDT पर मौलिक पेपर में उल्लेख किया गया है, यह विषम डेटा के लिए अत्यधिक प्रभावी है और आउटलायर्स और लापता डेटा के प्रति मजबूत है, जो वास्तविक दुनिया की सेंसर रिकॉर्डिंग में आम हैं। पेपर के परिणाम मशीन लर्निंग में व्यापक प्रवृत्ति के अनुरूप हैं जहां एन्सेम्बल विधियां संरचित डेटा पर एकल मॉडलों से लगातार बेहतर प्रदर्शन करती हैं। हालांकि, पेपर में डीप लर्निंग मॉडल (जैसे, 1D-CNNs या LSTMs) से तुलना का अभाव एक उल्लेखनीय कमी है। डीप लर्निंग मॉडल, विशेष रूप से ऑडियो विश्लेषण में उपयोग किए जाने वाले (जैसे, WaveNet), ने समान कार्यों में उल्लेखनीय प्रदर्शन दिखाया है और उच्च कम्प्यूटेशनल लागत पर भी अधिक सटीकता प्रदान कर सकते हैं।
मेरे विचार में, सबसे महत्वपूर्ण दोष एक मजबूत प्रतिरोधी उपाय विश्लेषण का अभाव है। पेपर खतरे की पहचान करता है लेकिन बचाव को एक खुली समस्या के रूप में छोड़ देता है। सुरक्षा अनुसंधान में यह एक सामान्य पैटर्न है, लेकिन यह एक खतरनाक है। आक्रमण और बचाव की विषमता स्पष्ट है: हमलावर को केवल एक बार सफल होने की आवश्यकता है, जबकि रक्षक को हर बार पूर्ण होना चाहिए। अनुसंधान समुदाय को व्यावहारिक, तैनात करने योग्य प्रतिरोधी उपायों के विकास को प्राथमिकता देनी चाहिए। संभावित रास्तों में ध्वनिक मास्किंग (जैसा कि [McLaughlin et al., 2019] द्वारा आवाज गोपनीयता के संदर्भ में खोजा गया है), चुंबकीय परिरक्षण, और प्रिंटर के नियंत्रण संकेतों में नियंत्रित शोर का परिचय शामिल है। इन प्रतिरोधी उपायों के बिना, पेपर बचाव के लिए एक खाका से अधिक हमलावरों के लिए एक कैसे-करें गाइड के रूप में कार्य करता है।
10. भविष्य के अनुप्रयोग और दिशाएँ
इस कार्य के निहितार्थ 3D प्रिंटर से कहीं आगे तक फैले हुए हैं। यही पद्धति किसी भी साइबर-भौतिक प्रणाली पर लागू की जा सकती है जो ध्वनिक या चुंबकीय संकेत उत्सर्जित करती है। भविष्य के अनुसंधान की दिशाओं में शामिल हैं:
- CNC मशीनें: CNC मिलों और खरादों से G-code का पुनर्निर्माण, जो उच्च-परिशुद्धता विनिर्माण में उपयोग होते हैं।
- रोबोटिक भुजाएँ: असेंबली लाइनों में उपयोग किए जाने वाले औद्योगिक रोबोटिक भुजाओं के प्रक्षेपवक्र और क्रियाओं का अनुमान लगाना।
- चिकित्सा उपकरण: MRI मशीनों, CT स्कैनरों या सर्जिकल रोबोटों से उत्सर्जन का विश्लेषण करके रोगी डेटा या संचालन मापदंडों का अनुमान लगाना।
- ऑटोमोटिव सिस्टम: स्वायत्त वाहनों या इंजन नियंत्रण इकाइयों (ECUs) के नियंत्रण तर्क को रिवर्स-इंजीनियर करने के लिए ध्वनिक और चुंबकीय संकेतों का उपयोग करना।
- रक्षात्मक प्रतिउपाय: वास्तविक समय में साइड-चैनल रिकॉर्डिंग प्रयासों का पता लगाने और उन्हें जाम करने में सक्षम सक्रिय प्रतिउपाय विकसित करना।
इस क्षेत्र का भविष्य एक बिल्ली-चूहे का खेल है। जैसे-जैसे सेंसर तकनीक में सुधार होगा और मशीन लर्निंग मॉडल अधिक शक्तिशाली होंगे, हमले अधिक सटीक और निष्पादित करने में आसान हो जाएंगे। बचाव को समानांतर रूप से विकसित होना चाहिए, निष्क्रिय परिरक्षण से सक्रिय, बुद्धिमान प्रतिउपायों की ओर बढ़ते हुए।
11. निष्कर्ष
Jamarani et al. ने additive manufacturing उद्योग को एक कड़ी चेतावनी दी है। उनके स्मार्टफोन-आधारित साइड-चैनल हमले का प्रदर्शन, जो 98.80% सटीकता के साथ G-code का पुनर्निर्माण कर सकता है, प्रभावशाली और चिंताजनक दोनों है। यह पेपर तकनीकी रूप से मजबूत, पद्धतिगत रूप से कठोर है, और बौद्धिक संपदा के लिए एक स्पष्ट और वर्तमान खतरा प्रस्तुत करता है। उद्योग को घबराहट के साथ नहीं, बल्कि प्रतिउपायों में सक्रिय निवेश के साथ प्रतिक्रिया देनी चाहिए। यह मानने का युग कि IP सुरक्षा के लिए भौतिक अलगाव पर्याप्त है, समाप्त हो गया है। रहस्य हवा में हैं, और वे सुने जाने की प्रतीक्षा कर रहे हैं।
12. संदर्भ
- Jamarani, A., Tu, Y., & Hei, X. (2024). बौद्धिक संपदा को डिकोड करना: 3D प्रिंटर पर ध्वनिक और चुंबकीय साइड-चैनल हमला. arXiv preprint arXiv:2411.10887.
- Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
- McLaughlin, S., et al. (2019). Acoustic masking for voice privacy. Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security.
- Zhu, J. Y., et al. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232). [CycleGAN paper, cited as an example of a related generative model that could be used for countermeasure generation].
- Song, C., et al. (2017). Acoustic side-channel attacks on printers. USENIX Security Symposium.
- Guri, M., et al. (2019). Optical covert channel from air-gapped systems via the LCD screen. Computers & Security, 86, 117-129.