{"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\/sv\/blog\/news\/ataka-whisper-leak-po-opredeleniyu-tematiki-obshheniya-s-ai-chatbotami-cherez-analiz-tls-trafika","title":{"rendered":"Whisper Leak-attacken syftar till att identifiera teman f\u00f6r kommunikation med AI-chattbotar genom att analysera TLS-trafik.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
S\u00e4kerhetsforskare fr\u00e5n Microsoft har utvecklat en teknik f\u00f6r sidokanalsattacker, kallad Whisper Leak, som m\u00f6jligg\u00f6r, baserat p\u00e5 passiv analys av krypterad trafik som \u00f6verf\u00f6rs via TLS-anslutningar, klassificering av \u00e4mnen f\u00f6r f\u00f6rfr\u00e5gningar till tj\u00e4nster baserade p\u00e5 stora spr\u00e5kmodeller. Informationen om storleken p\u00e5 n\u00e4tverkspaket och f\u00f6rdr\u00f6jningar mellan deras \u00f6verf\u00f6ring visade sig vara tillr\u00e4cklig f\u00f6r att best\u00e4mma \u00e4mnena f\u00f6r f\u00f6rfr\u00e5gningar till AI-chatbotar med en noggrannhet p\u00e5 \u00f6ver 98%. I praktiken kan den f\u00f6reslagna metoden anv\u00e4ndas f\u00f6r att identifiera specifika \u00e4mnen i anv\u00e4ndartrafik, till exempel f\u00f6rs\u00f6k att f\u00e5 information om olagliga aktiviteter, utan att dekryptera inneh\u00e5llet. <\/p>\n
Verktyg f\u00f6r att extrahera data fr\u00e5n trafikdumpningar, tr\u00e4na modellen och testa metodens funktion har publicerats p\u00e5 GitHub. M\u00f6jligheten att genomf\u00f6ra angrepp har demonstrerats f\u00f6r 28 popul\u00e4ra stora spr\u00e5kmodeller fr\u00e5n de st\u00f6rsta tillverkarna. Till exempel var noggrannheten f\u00f6r att identifiera f\u00f6rfr\u00e5gningar om \"penningtv\u00e4tt\" f\u00f6r m\u00e5nga AI-tj\u00e4nster 100 %, med 1 s\u00f6kt f\u00f6rfr\u00e5gan i den analyserade trafiken och 10 000 f\u00f6rfr\u00e5gningar som inte var relaterade till \u00e4mnet.
<\/center> <\/p>\n
Anledningen till informationsl\u00e4ckaget \u00e4r att modeller genererar svar p\u00e5 f\u00f6rfr\u00e5gningar steg f\u00f6r steg, en token i taget, d\u00e4r varje steg anv\u00e4nder den tidigare token som kontext f\u00f6r att best\u00e4mma det mest sannolika n\u00e4sta ordet eller frasen. F\u00f6ljaktligen skickas ett separat n\u00e4tverkspaket f\u00f6r varje token och f\u00f6rdr\u00f6jningen mellan paketen motsvarar f\u00f6rdr\u00f6jningen mellan modellens best\u00e4mning av n\u00e4sta token. <\/p>\n
I TLS, om ingen datakomprimering anv\u00e4nds, \u00e4r utbytet av chiffertext lika med storleken p\u00e5 den okrypterade texten plus en konstant. Genom att skapa en modell som kopplar \u00f6nskade upps\u00e4ttningar av tokens med paketstorlekar och f\u00f6rdr\u00f6jningar mellan deras \u00f6verf\u00f6ring kan man ganska exakt best\u00e4mma n\u00e4rvaron av \u00f6nskade \u00e4mnen i trafiken. Under studien har tre varianter av s\u00e5dana maskininl\u00e4rningsmodeller utvecklats, baserade p\u00e5 neurala n\u00e4tverksarkitekturer som LightGBM, Bi-LSTM och BERT. F\u00f6r varje modell har experiment genomf\u00f6rts f\u00f6r att best\u00e4mma det \u00f6nskade \u00e4mnet vid analys av enbart paketstorlekar, enbart f\u00f6rdr\u00f6jningar mellan paketen och b\u00e5da kriterierna.
![\"Whisper](\"\/wp-content\/uploads\/2025\/11\/9e2db8a564ae07b2ae7ced2d2f744e46.png\")
<\/center> <\/p>\n![\"Whisper](\"\/wp-content\/uploads\/2025\/11\/d6be536d5b8814af45a42317c9454a44.png\")
<\/center> <\/p>\n