
最近,兰开斯特大学的一组研究人员在arXiv上发表了一篇论文,演示了他们如何利用智能手机的麦克风与扬声器系统窃取设备的解密信息。
尽管人们短期内还无需为此类攻击感到担忧,但研究人员们确实证明这种攻击的安全隐患。根据研究人员介绍,这种“SonarSnoop”攻击能够将攻击者的解锁操作次数减少70%,在人们不知情的条件下执行黑客入侵。
在信息安全领域,“旁道攻击(side-channel attack)”是指一种黑客行为,其无需利用目标程序中的安全缺陷、亦不必直接访问目标信息。以SonarSnoop为例,黑客希望获得的实际是目标手机的解锁密码,但不同于直接对密码内容进行暴力破解,或者直接窥视受害者的密码信息,SonarSnoop会利用其它可能导致密码泄露的辅助信息——即在设备上输入密码时产生的独特声音。
也就是说,SonarSnoop适用于任何能够与麦克风及扬声器交互的环境。
声学旁道攻击已经在PC以及其它多种联网设备当中得到广泛应用。举例来说,研究人员可以通过窃听硬盘风扇的声音隔空从计算机中恢复数据内容。他们还能够通过联网打印机的声响确定打印在纸上的内容,或者根据3D打印机的声音重建打印的3D对象。多数情况下,这些都属于被动型旁道攻击,意味着攻击者只是在聆听设备运行时自然产生的声音。
但此次SonarSnoop案例之所以如此重要,是因为研究人员第一次成功在移动设备上演示了有源声学旁道攻击——即对用户主动操作设备时发出的声音进行利用。
当用户们无意在自己的手机上安装恶意应用程序时,攻击就已经开始了。在用户下载受感染的应用程序后,他们的手机会开始广播声音信号,而该信号恰好高于人类的听觉范围。声音信号会在手机周边的各个物体上进行反射,并产生回声。此后,手机上的麦克风会对回声进行记录。
通过计算声音反射以及回声与声源间的返回时差,即可确定物体在给定空间中的位置以及该物体是否进行了移动——这就是声纳(sonar)的原理。同样,通过分析由设备麦克风录制的回声,研究人员即可利用声纳原理追踪用户手指在智能手机屏幕上的移动轨迹。
在Android手机上广泛部署的3 x 3连线解锁机制拥有近40万种可能的模式,但此前的研究表明,20%的用户只会使用12种常见组合中的一种。在测试SonarSnoop时,研究人员也仅专注这十余种解锁组合。
为了测试声纳攻击的能力,研究人员选择了三星Galaxy S4手机——一部于2013年首发布的Android手机。虽然这种攻击在理论上适用于任何手机型号,但由于旋转的位置不同,信号分析工作必须根据特定手机型号对扬声器及麦克风位置进行调整。兰开斯特大学博士生Peng Cheng在接受邮件采访时表示,“我们预计iPhone也同样会受到攻击,但我们目前只测试了针对Android机型的攻击能力。”
此次研究招募到10名志愿者,他们的任务是在自定义应用程序当中绘制12种模式中的5种。而后,研究人员尝试利用多种声纳分析技术根据手机发出的声学特征进行密码重建。目前,最佳分析技术能够在12种常见组合中平均尝试3.6次即找到正确的解锁模式。
虽然SonarSnoop攻击还称不上完美,但其已经能够将必要尝试次数减少达70%。研究人员们写道,未来,他们希望通过进一步缩短声纳脉冲的时间间隔以及探索更多不同信号分析策略的方式,改善其判断准确度。
为了防止这类攻击被实际应用,研究人员建议手机制造商在设备设计阶段将问题考虑进来。最好的预防方法是将设备扬声器的声学范围限制为人类能够听到的波长区间,或者允许用户在其设备上使用敏感信息时选择性地关闭声音系统。当然,继续改进对恶意应用程序下载活动的抵御能力也是种不错的办法。
随着指纹解锁等生物特征验证机制在移动设备上的快速普及,这类攻击对于解锁手机设备的效用将显著降低。但也正如研究人员们所指出,类似的技术亦可用于收集通过手机触控屏收集到的其它敏感信息,例如网页密码甚至是Tinder等约会应用中的滑动模式信息。
兰开斯特大学安全研究员Jeff Yan在邮件采访中告诉我们,“尽管我们的实验仅试图窃取Android解锁信息,但SonarSnoop实际上适用于可与麦克风及扬声器交互的任何环境。我们的下一项重要课题,在于如何让成果真正创造价值。我们希望设备制造商对我们的攻击活动抱有平和的心态,因为我们的目标是通过帮助计算机工程师妥善解决下一代设备中的安全威胁以提升安全水平。”
【注:兰开斯特大学关于“黑客破解手机”的研究论文下载方式:关注科技行者微信公众号(itechwalker)回复“黑客破解手机”,即可获取。】
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。