{"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\/news\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","title":{"rendered":"Der Whisper Leak-Angriff definiert die Thematik der Interaktion mit AI-Chatbots durch die Analyse von TLS-Traffic.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Sicherheitsforscher von Microsoft haben eine Angriffstechnik \u00fcber Seitenkan\u00e4le namens Whisper Leak entwickelt, die es erm\u00f6glicht, durch passive Analyse des \u00fcber eine TLS-Verbindung \u00fcbertragenen verschl\u00fcsselten Datenverkehrs die Themen von Anfragen an Dienste, die auf gro\u00dfen Sprachmodellen basieren, zu klassifizieren. Informationen \u00fcber die Gr\u00f6\u00dfe der Netzwerkpakete und die Verz\u00f6gerungen zwischen deren \u00dcbertragung waren 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 bestimmte Themen von Anfragen im Transitverkehr des Benutzers zu erkennen, zum Beispiel Versuche, Informationen \u00fcber illegale Aktivit\u00e4ten zu erhalten, ohne den Inhalt zu entschl\u00fcsseln. <\/p>\n
Ein Toolkit zur Datenextraktion aus Traffic-Dumps, zum Training von Modellen und zum Testen der Methodik ist auf GitHub ver\u00f6ffentlicht. Die M\u00f6glichkeit zur Durchf\u00fchrung eines Angriffs wurde f\u00fcr 28 beliebte gro\u00dfe Sprachmodelle von f\u00fchrenden Anbietern demonstriert. Beispielsweise betrug die Genauigkeit der Erkennung von Anfragen zum Thema \u201eGeldw\u00e4sche\u201c f\u00fcr viele KI-Dienste 100 %, wenn im analysierten Traffic 1 relevante Anfrage und 10000 Anfragen, die nicht mit dem Thema verbunden waren, vorhanden waren.
<\/center> <\/p>\n
Der Grund f\u00fcr den Informationsleck ist, dass die Modelle die Antworten auf Anfragen schrittweise generieren, Token f\u00fcr Token, wobei sie bei jedem Schritt das vorherige Token als Kontext verwenden, um das n\u00e4chste wahrscheinlichste Wort oder den n\u00e4chsten wahrscheinlichsten Ausdruck zu bestimmen. Folglich wird f\u00fcr jedes Token ein einzelnes 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, sofern keine Datenkompression verwendet wird, entspricht die Gr\u00f6\u00dfe des Chiffretextes der Gr\u00f6\u00dfe des unverschl\u00fcsselten Textes zuz\u00fcglich einer Konstante. Bei der Erstellung eines Modells, das gesuchte Token-Sets mit der Packetgr\u00f6\u00dfe und den Verz\u00f6gerungen zwischen deren \u00dcbertragung verkn\u00fcpft, kann man recht pr\u00e4zise das Vorhandensein gesuchter Themen im Verkehr bestimmen. Im Laufe der Forschung wurden drei Varianten solcher maschinellen Lernmodelle entwickelt, die auf den Architekturen der neuronalen Netze LightGBM, Bi-LSTM und BERT basieren. F\u00fcr jedes Modell wurden Experimente zur Bestimmung des gesuchten Themas unter Analyse nur der Paketgr\u00f6\u00dfen, nur der Verz\u00f6gerungen zwischen den Paketen und beider Kriterien durchgef\u00fchrt.
![\"Der](\"\/wp-content\/uploads\/2025\/11\/9e2db8a564ae07b2ae7ced2d2f744e46.png\")
<\/center> <\/p>\n![\"Der](\"\/wp-content\/uploads\/2025\/11\/d6be536d5b8814af45a42317c9454a44.png\")
<\/center> <\/p>\n