Нейросеть распознала технику лыжного катания по данным с палок
Шведские разработчики научили нейросеть различать четыре техники катания на лыжах, используя только данные с тензометрических и инерциальных датчиков, установленных в лыжных палках. Эксперименты показали, что точность распознавания техники составляет 95 процентов, рассказывают авторы в препринте на arXiv.org.
Зачастую профессиональные спортсмены и любители используют для отслеживания своих тренировок технические средства. К примеру, при езде на велосипеде человек может отслеживать свой маршрут, скорость и набор высоты с помощью GPS-приемника или смартфона, а также отслеживать нагрузку с помощью пульсометра или измерителя мощности. Такие измерители работают благодаря тензометрическим датчикам, измеряющим силу, с которой гонщик давит на педали. В случае с лыжным спортом собирать подобные данные сложнее, потому что прилагаемые лыжником усилия распределяются между ногами и руками, причем соотношение нагрузки на мышцы ног и рук зависит от техники катания, предпочтительность которой в свою очередь зависит от наклона трассы, снега и других факторов.
Инженеры из Технического университета Чалмерса под руководством Ники Лизбат Лоуренс (Nickey Lizbat Lawrence) использовали датчики в лыжных палках для автоматического определения техники катания во время тренировок, что может помочь улучшить их качество. В своей работе авторы сконцентрировались на четырех техниках, часто применяемых во время лыжных гонок. Первый стиль представляет собой классическое одновременное отталкивание обеими палками. Три остальные техники — это вариации конькового хода, используемые при разных углах наклона трассы.
В качестве источника данных инженеры использовали лыжные палки с встроенными тензометрическими датчиками, измеряющими силу, с которой лыжник отталкивается с помощью палки, а также инерциальными датчиками, измеряющими скорость, ускорение и угол между палкой и землей. Все данные собирались с частотой 50 замеров в секунду. Для анализа инженеры запросили данные, полученные компанией-производителем палок во время тренировок трех лыжников-любителей. Датасет был разбит на отдельные сегменты, соответствующие той или иной технике катания.
Инженеры выбрали для анализа данных три нейросетевые архитектуры: одномерную сверточную нейросеть, а также классическую и двунаправленную сети с долгой краткосрочной памятью (LSTM), которые способны хранить информацию о предыдущих операциях в течении произвольного промежутка времени и обучаться обнаружению долговременных зависимостей. Разработчики проверили работу нейросетей в двух режимах. В первом они обучались на данных от всех трех лыжников и проверялись на не встречавшихся во время обучения данных от них же. Во втором режиме авторы оставили только LSTM-сеть, которую обучали на данных от двух лыжников, а проверяли на данных от третьего. Результаты первого эксперимента показали, что обе сети с долгой краткосрочной памятью смогли распознать технику с точностью 95 процентов, а сверточная нейросеть с точностью 90 процентов. Во время второго обучения точность классификации снизилась с 95 до 78 процентов.
Нейросетевые алгоритмы не первый раз используют в спорте. К примеру, в 2017 году нейросеть научили самостоятельно определять игровые роли и позиции футболистов по их поведению на поле. А недавно нейросеть, обученная на информации о 400 существующих видов спорта, придумала новый командный вид спорта, названный спидгейтом.
Григорий Копиев
На взлом одного смартфона ушло от 40 минут до 13 часов
Китайские ученые нашли в смартфонах шести крупных компаний (Samsung, Xiaomi, HUAWEI, Vivo, OnePlus, OPPO) уязвимости, которые позволяют взломать сканер отпечатков пальцев. Им удалось получить бесконечное количество попыток для разблокировки смартфонов, создать много искусственных отпечатков с помощью нейросетей и подобрать подходящий для разблокировки. Препринт доступен на arXiv.org. Аутентификация с помощью отпечатка пальца в смартфонах состоит из 4 этапов. Первый этап — это получение отпечатка. Когда палец касается сенсора, он делает несколько изображений отпечатка. Затем идет этап компенсации: чтобы улучшить качество изображений, с них удаляется шум. На следующем этапе алгоритмы проверяют текстуры, нажим и форму отпечатка. Их цель — отличить отпечаток настоящего человеческого пальца от, например, отпечатка пальца силиконовой руки. Хакеры могут использовать искусственные пальцы из разных материалов, чтобы взломать смартфон. На последнем этапе аутентификации полученный отпечаток сравнивается с правильным отпечатком из базы данных. В отличие от паролей, система не проверяет полное соответствие двух отпечатков. Вместо этого полученному отпечатку достаточно преодолеть заданный порог сходства с правильным. Если пробовать много разных отпечатков, один из них рано или поздно перейдет этот порог. Поэтому у сканеров отпечатков пальцев есть дополнительный метод усиления безопасности — это ограничение количества попыток. После нескольких безуспешных попыток зайти в смартфон система блокирует доступ. Китайские инженеры Чен Ю (Chen Yu) из компании Tensent и Хе Илинь (He Yiling) из Чжэцзянского университета придумали алгоритм BrutePrint, который может обмануть сканер отпечатков пальцев методом полного перебора. Они обнаружили две уязвимости Cancel-After-Match-Fail (CAMF) и Match-After-Lock (MAL), благодаря которым можно делать сколько угодно попыток аутентификации по отпечатку, а иногда и похитить отпечаток пальца пользователя, который хранится на смартфоне. Уязвимость CAMF основана на том, что за одну попытку аутентификации сканер обычно делает сразу несколько изображений отпечатков. Если убедить сканер, что множество разных изображений были сделаны за одну попытку, то можно пробовать бесконечно много отпечатков. Дело в том, что сканер может сделать три вывода по одному изображению: на нем правильный отпечаток, на нем неправильный отпечаток или в ходе сканирования случилась ошибка. Например, что-то произошло с оборудованием и вызвало сбой в программе. В случае такой ошибки попытка не заканчивается. Система BrutePrint нарушает контрольную сумму изображения отпечатка, которая как раз приводит к этой ошибке. Другая уязвимость MAL помогает обойти режим блокировки доступа после превышения числа неправильных попыток. В некоторых смартфонах во время выхода экрана из спящего режима режим блокировки доступа не работает. Этого хватает, чтобы внедриться в систему и запустить попытки доступа к сканеру отпечатков. Кроме того, в процессе сравнения отправленных отпечатков с правильными, которые хранятся в смартфоне, можно их похитить. Главный этап атаки — внедриться в систему сканирования и начать посылать ей изображения отпечатков, используя уязвимости CAMF и MAL. Для этого инженеры собрали систему, которая может перехватывать и менять сигнал между сканером отпечатков пальцев и процессором смартфона. В смартфоне сканер и процессор соединены интерфейсом, и атакующая система имитирует этот интерфейс: она тоже соединяется со сканером и процессором. В систему также входит карта памяти, на которой хранятся заранее подготовленные отпечатки пальцев для перебора. Авторы утверждают, что итоговая стоимость всех компонентов составила всего 15 долларов. Базу данных отпечатков для перебора можно собрать самостоятельно или найти в открытых источниках: научных исследованиях или утечках данных. Авторы сами сгенерировали данные для перебора. Важная часть атаки — это предобработка отпечатков, чтобы они выглядели реалистично и подходили для сенсора в конкретном смартфоне. Инженеры использовали нейросеть CycleGAN, которая умеет менять стиль изображения. Для эксперимента с каждым смартфоном авторы обучали нейросеть редактировать отпечатки, чтобы они были похожи на отпечатки с его сенсора. Инженеры провели десять экспериментов с разными смартфонами. Уязвимость CAMF сработала на всех моделях, но по-разному. Авторам удалось получить неограниченное количество попыток разблокировки на всех смартфонах с операционной системой Android и только 15 попыток на iOS. Кроме того, на айфонах ученым не удалось перехватить сигнал между процессором и сканером отпечатков пальцев. Дело в том, что iOS всегда шифрует этот сигнал, в отличие от Android. В итоге сканер не удалось взломать только на смартфонах компании Apple. На взлом остальных гаджетов ушло от 40 минут до 13 часов. Ученым также удалось похитить оригинальные отпечатки пальцев пользователей со всех смартфонов на платформе Android. Авторы предлагают несколько методов, которые помогут производителям смартфонов сделать сканеры отпечатков пальцев безопасней. Во-первых, избавиться от уязвимости CAMF: для этого нужно добавить проверку на количество ошибочных попыток, которые не дошли до этапа сравнения с правильным отпечатком. Чтобы устранить уязвимость MAL, нельзя отменять блокировку доступа. Наконец, нужно шифровать сигналы, которыми обмениваются сканер и процессор. Сканер отпечатков пальцев — не единственная система разблокировки, которую можно взломать. Вьетнамским инженерам удалось обмануть Face ID в iPhone X с помощью маски. Ее распечатали на 3D-принтере, налепили на нее нос и приклеили изображения губ и глаз. Сканер Face ID принял маску за настоящее лицо.
