{"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\/pt\/blog\/news\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","title":{"rendered":"O ataque Whisper Leak define a tem\u00e1tica de conversa\u00e7\u00e3o com chatbots AI atrav\u00e9s da an\u00e1lise do tr\u00e1fego TLS.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Pesquisadores de seguran\u00e7a da Microsoft desenvolveram uma t\u00e9cnica de ataque de canais laterais chamada Whisper Leak, que permite, com base na an\u00e1lise passiva do tr\u00e1fego criptografado transmitido atrav\u00e9s de uma conex\u00e3o TLS, classificar os temas das solicita\u00e7\u00f5es aos servi\u00e7os baseados em grandes modelos de linguagem. Informa\u00e7\u00f5es sobre o tamanho dos pacotes de rede e os atrasos entre suas transmiss\u00f5es foram suficientes para determinar os temas das solicita\u00e7\u00f5es aos chatbots AI com uma precis\u00e3o superior a 98%. Na pr\u00e1tica, o m\u00e9todo proposto pode ser usado para identificar, no tr\u00e1fego em tr\u00e2nsito do usu\u00e1rio, certos temas de solicita\u00e7\u00f5es, como tentativas de obter informa\u00e7\u00f5es sobre a\u00e7\u00f5es ilegais, sem a necessidade de decifrar o conte\u00fado. <\/p>\n
A ferramenta para extra\u00e7\u00e3o de dados de dumps de tr\u00e1fego, treinamento de modelo e teste da metodologia foi publicada no GitHub. A capacidade de realizar ataques foi demonstrada para 28 populares grandes modelos de linguagem dos maiores fornecedores. Por exemplo, a precis\u00e3o na identifica\u00e7\u00e3o de consultas sobre \"lavagem de dinheiro\" para muitos servi\u00e7os de IA foi de 100%, com 1 consulta relevante no tr\u00e1fego analisado e 10.000 consultas n\u00e3o relacionadas ao tema.
<\/center> <\/p>\n
A causa da vazamento de informa\u00e7\u00f5es \u00e9 que os modelos geram a resposta \u00e0 solicita\u00e7\u00e3o passo a passo, um token de cada vez, utilizando o token anterior como contexto para determinar a pr\u00f3xima palavra ou frase mais prov\u00e1vel. Assim, para cada token, um pacote de rede separado \u00e9 enviado e o atraso entre os pacotes corresponde ao atraso entre a determina\u00e7\u00e3o do pr\u00f3ximo token pelo modelo. <\/p>\n
No TLS, se n\u00e3o houver compress\u00e3o de dados, o tamanho do texto cifrado \u00e9 igual ao tamanho do texto n\u00e3o cifrado mais uma constante. Ao criar um modelo que correlacione os conjuntos de tokens desejados com o tamanho dos pacotes e os atrasos entre seus envios, \u00e9 poss\u00edvel determinar com boa precis\u00e3o a presen\u00e7a dos t\u00f3picos desejados no tr\u00e1fego. No curso da pesquisa, foram preparados tr\u00eas modelos de aprendizado de m\u00e1quina semelhantes, baseados nas arquiteturas de redes neurais LightGBM, Bi-LSTM e BERT. Para cada modelo, foram realizados experimentos para identificar o t\u00f3pico desejado analisando apenas o tamanho dos pacotes, apenas os atrasos entre os pacotes e ambos os crit\u00e9rios.
![\"O](\"\/wp-content\/uploads\/2025\/11\/9e2db8a564ae07b2ae7ced2d2f744e46.png\")
<\/center> <\/p>\n![\"O](\"\/wp-content\/uploads\/2025\/11\/d6be536d5b8814af45a42317c9454a44.png\")
<\/center> <\/p>\n