{"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\/it\/blog\/news\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","title":{"rendered":"L'attacco Whisper Leak definisce la tematica della comunicazione con i chatbot AI attraverso l'analisi del traffico TLS.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
I ricercatori di sicurezza di Microsoft hanno sviluppato una tecnica di attacco tramite canali laterali chiamata Whisper Leak, che permette, attraverso un'analisi passiva del traffico cifrato trasmesso tramite connessione TLS, di classificare i temi delle richieste ai servizi basati su modelli linguistici di grandi dimensioni. Le informazioni sulle dimensioni dei pacchetti di rete e sui ritardi tra le loro trasmissioni si sono rivelate sufficienti per determinare i temi delle richieste a chatbot AI con un'accuratezza superiore al 98%. In pratica, il metodo proposto pu\u00f2 essere utilizzato per identificare nel traffico in transito tematiche specifiche delle richieste, ad esempio tentativi di ottenere informazioni su attivit\u00e0 illecite, senza dover decrittare il contenuto. <\/p>\n
Strumenti per l'estrazione di dati dai dump di traffico, l'addestramento di modelli e il test del metodo sono pubblicati su GitHub. La possibilit\u00e0 di eseguire attacchi \u00e8 stata dimostrata su 28 popolari grandi modelli linguistici dei principali produttori. Ad esempio, la precisione nell'identificazione delle query sul tema \"riciclaggio di denaro\" per molti servizi AI \u00e8 stata del 100%, in presenza di 1 cerca richiesta pertinente su 10.000 richieste non correlate all'argomento desiderato.
<\/center> <\/p>\n
La causa della fuga di informazioni \u00e8 che i modelli generano risposte alle richieste passo dopo passo, un token alla volta, utilizzando ogni token precedente come contesto per determinare la parola o la frase successiva pi\u00f9 probabile. Di conseguenza, a ogni token viene inviato un pacchetto di rete separato e il ritardo tra i pacchetti corrisponde al ritardo nella determinazione del prossimo token da parte del modello. <\/p>\n
In TLS, se non viene utilizzata la compressione dei dati, lo scambio di testo cifrato \u00e8 pari alla dimensione del testo in chiaro pi\u00f9 una costante. Creando un modello che accoppia i set di token desiderati con le dimensioni dei pacchetti e i ritardi tra le loro trasmissioni, \u00e8 possibile determinare con buona precisione la presenza nel traffico di temi ricercati. Nel corso della ricerca sono stati preparati tre modelli di machine learning simili, basati sulle architetture delle reti neurali LightGBM, Bi-LSTM e BERT. Per ciascun modello sono stati condotti esperimenti per determinare il tema ricercato analizzando solo le dimensioni dei pacchetti, solo i ritardi tra i pacchetti e entrambi i criteri.
![\"L'attacco](\"\/wp-content\/uploads\/2025\/11\/9e2db8a564ae07b2ae7ced2d2f744e46.png\")
<\/center> <\/p>\n![\"L'attacco](\"\/wp-content\/uploads\/2025\/11\/d6be536d5b8814af45a42317c9454a44.png\")
<\/center> <\/p>\n