{"id":147923,"date":"2025-11-10T23:11:54","date_gmt":"2025-11-10T21:11:56","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika"},"modified":"2025-11-10T23:11:54","modified_gmt":"2025-11-10T21:11:56","slug":"ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","title":{"rendered":"Whisper Leak-Angriff zur Bestimmung des Themas der Kommunikation mit AI-Chatbots durch Analyse des TLS-Verkehrs","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Sicherheitsforscher von Microsoft haben eine Angriffstechnik namens Whisper Leak entwickelt, die es erm\u00f6glicht, anhand der passiven Analyse von verschl\u00fcsseltem Verkehr, der \u00fcber eine TLS-Verbindung \u00fcbertragen wird, die Themen von Anfragen an Dienste basierend auf gro\u00dfen Sprachmodellen zu klassifizieren. Informationen \u00fcber die Gr\u00f6\u00dfe von Netzwerkpaketen und die Verz\u00f6gerungen zwischen deren \u00dcbertragung erwiesen sich als ausreichend, um die Themen von Anfragen an KI-Chatbots mit einer Genauigkeit von \u00fcber 98 % zu bestimmen. In der Praxis kann die vorgeschlagene Methode verwendet werden, um in Transitdaten des Nutzers bestimmte Anfrage-Themen zu identifizieren, beispielsweise Versuche, Informationen \u00fcber illegale Aktivit\u00e4ten zu erhalten, ohne den Inhalt zu entschl\u00fcsseln. <\/p>\n
Das Toolkit zur Datenextraktion aus Traffic-Dumps, zum Trainieren von Modellen und zum Testen der Methodik ist auf GitHub ver\u00f6ffentlicht. Die M\u00f6glichkeit, einen Angriff durchzuf\u00fchren, wurde f\u00fcr 28 beliebte gro\u00dfe Sprachmodelle f\u00fchrender Anbieter demonstriert. So betrug die Genauigkeit bei der Erkennung von Anfragen zum Thema \u201eGeldw\u00e4sche\u201c bei vielen KI-Diensten 100 %, selbst wenn im analysierten Traffic 1 relevante Anfrage und 10.000 nicht verwandte Anfragen vorhanden waren.
<\/center> <\/p>\n
Ursache f\u00fcr den Datenverlust ist, dass die Modelle die Antwort auf eine Anfrage schrittweise generieren, tokenweise, wobei jeder Schritt das vorherige Token als Kontext verwendet, um das n\u00e4chste wahrscheinlichste Wort oder die n\u00e4chste wahrscheinlichste Phrase zu bestimmen. Dementsprechend wird f\u00fcr jedes Token ein separates Netzwerkpaket gesendet, und die Verz\u00f6gerung zwischen den Paketen entspricht der Verz\u00f6gerung zwischen der Bestimmung des n\u00e4chsten Tokens durch das Modell. <\/p>\n
In TLS, if data compression is not used, the ciphertext expansion is equal to the size of the unencrypted text plus a constant. When creating a model that correlates the desired token sets with the packet sizes and the delays between their transmission, it is possible to accurately determine the presence of sought topics in the traffic. Three variants of such machine learning models were prepared for the study, based on LightGBM, Bi-LSTM, and BERT neural network architectures. Experiments were conducted for each model to identify the target topic by analyzing either the packet sizes, only the delays between packets, or both criteria.
![\"Whisper](\"\/wp-content\/uploads\/2025\/11\/9e2db8a564ae07b2ae7ced2d2f744e46.png\")
<\/center> <\/p>\n![\"Whisper](\"\/wp-content\/uploads\/2025\/11\/d6be536d5b8814af45a42317c9454a44.png\")
<\/center> <\/p>\n