AI隔空窥屏：HDMI信号泄露，几米外可窃取屏幕
来源：互联网 2026-07-05 06:23:00HDMI数据线传输信号时产生电磁辐射，黑客可用天线捕获并借助深度学习模型逆向还原屏幕内容。乌拉圭研究团队采用DRUNet模型将字符错误率降至约30%，信息完整性显著提升。添加低级噪声或背景渐变可有效防御此类攻击。
屏幕内容可能通过HDMI数据线产生电磁泄漏，进而被黑客拦截。当前攻击者只需使用一根天线，即可捕获这些泄漏信号，再借助AI逆向还原，用户输入的文本和浏览的页面几乎一览无余。
具体而言，HDMI数据线在传输数字信号时会产生电磁辐射，这些辐射携带显示画面的部分信息。以往此类攻击主要针对模拟信号（如VGA），因为数字信号编码更复杂，恢复难度更高。但乌拉圭共和国大学工程学院的研究团队开发了一套端到端深度学习模型，将字符错误率（CER）降至约30%。以下对比图显示，最右侧为原始屏幕内容，中间为模型输出的结果，信息完整性已达到相当高的水平。
长期稳定更新的攒劲资源： >>>点此立即查看<<<
HDMI采用10位编码，带宽增大导致信号与像素强度之间呈非线性映射关系，传统方法几乎无法应对。如今30%的错误率意味着原文基本可解读。团队演示的一种攻击方法为：用天线拦截HDMI电磁信号，再通过AI尝试复原原始数据，还原度令人警觉。
01 用上了AI模型
相关论文已发布在arXiv上。
第一步，团队用天线捕捉HDMI电缆和连接器发出的电磁波。第二步，通过软件定义无线电（SDR）设备接收这些信号，转换为数字样本。样本中既包含原始视频信号信息，也包含噪声和失真。第三步，借助gr-temest等开源工具对信号进行滤波、采样率调整等预处理，尽可能恢复图像的原始形态。最后，将处理后的信号输入AI模型，由模型识别并增强关键特征，提升图像清晰度和可读性。
整个流程可概括为：捕获电磁信号 → 开源软件预处理 → 端到端模型深度处理。示意图如下：
这项研究的关键突破在于最后一步引入了深度学习。团队选用深度残差UNet（DRUNet）——一种编码器-解码器结构的卷积神经网络，特别适用于图像恢复任务。通过优化网络结构和训练方式，DRUNet在文本可读性上实现了质的飞跃。
02 错误率下降约60%
该端到端模型的实际表现如何？团队构建了约3500个样本的数据集，其中约1300个为真实捕获信号，其余为模拟信号。真实样本通过实验获取，模拟样本则借助基于分析模型的GNU Radio模拟器生成，用于训练和评估模型。
在真实数据集上，使用复数样本的Pure Model在所有评估指标（PSNR、SSIM、CER）上均表现最佳。传统gr-tempest方法在真实数据集上的CER超过90%，而Pure Model（复数样本）的CER降至35.3%。
有意思的是，在合成数据上训练的模型迁移到真实数据时，性能会明显下降。但通过微调（Fine-Tuning），即便仅使用10%的真实样本，也能达到与全真实样本训练的Pure Model相近的性能。
团队还测试了不同采样率和显示器分辨率下的鲁棒性，发现部分配置变化会导致性能显著下降——这说明攻击并非无懈可击。
虽然新模型大幅提高了HDMI信号“破解率”，但团队也给出了防御对策：在显示器图像上添加低级噪声，或使用背景渐变，即可有效降低攻击成功率。
目前相关研究和数据集已开源，感兴趣的读者可进一步阅读论文。技术从来是一把双刃剑——了解攻击手段，恰恰是为了更好地防守。
参考链接：
[1]https://www.tomshardware.com/tech-industry/cyber-security/ai-can-snoop-on-your-computer-screen-using-signals-leaking-from-hdmi-cables
[2]https://x.com/papers_anon/status/1813145993334100015
侠游戏发布此文仅为了传递信息，不代表侠游戏网站认同其观点或证实其描述
相关攻略
更多同类更新
更多
热游推荐
更多-
- DreamStudio
- Android/ | AI绘图
- 2026-06-30
-
-
- Playground AI
- Android/ | AI绘图
- 2026-06-30
-
- Adobe Firefly
- Android/ | AI绘图
- 2026-06-30
-
-
-
- Leonardo AI
- Android/ | AI绘图
- 2026-06-30
-
- Stable Diffusion
- Android/ | AI绘图
- 2026-06-30
