dumaiНабор числовых отпечатков позволил восстановить почти половину текста страницы
Препринт, ещё не рецензирован · ранние данные
Кратко
Страницы хранили не как картинки, а как набор числовых отпечатков — по одному на небольшой участок. Из этих отпечатков восстановили 47% слов и 45% чувствительных фрагментов; восстановленная страница находила исходную первой в 98,4% случаев. Перемешивание и объединение отпечатков снизили читаемость примерно до 8% слов, однако порядок перемешанных отпечатков удалось частично восстановить.
Зачем это знать?
Сервисы, которые хранят такие отпечатки у внешней компании, могут раскрыть содержание страниц при утечке хранилища. Пока риск в основном проверили на одном наборе тестовых документов, поэтому его масштаб для реальных систем ещё предстоит оценить.
Разбор
Авторы проверили не просто возможность «прочитать» отдельный числовой вектор, а собрали полный сценарий атаки. Злоумышленнику не дают исходные страницы и дополнительные подсказки: по самому хранилищу он сначала определяет, какой из 13 публичных кодировщиков использовали, затем оценивает форму страницы и восстанавливает порядок участков, если их перемешали. После этого специальная генеративная модель заново рисует страницу по её векторам.
Проверку провели на 2 000 отложенных страницах из набора ViDoRe v3 — то есть на примерах, которые не использовали для настройки метода. В обычном режиме хранилище держало в среднем 1 241 вектор на страницу. Объединение соседних векторов сокращало это число до 413 или 137, почти не меняя качество поиска документов, но заметно ухудшало восстановление текста. Для перемешанных векторов ключевым оказался отдельный модуль, который угадывает позиции участков: без него исходная страница оказывалась первой лишь в 3,8% случаев, а с ним — уже в 93,5%.
Авторы также проверили, переносится ли атака на другую систему поиска, а не только на ту, под которую её настраивали. Да, переносимость есть: восстановленные страницы находили исходную первой в 70,2% случаев, хотя отдельных слов метод узнавал меньше, чем простой способ поиска ближайших примеров. Это показывает, что утечка связана не с одной конкретной реализацией, а с самой идеей хранить по вектору на каждый участок страницы.
Ключевые цифры
Можно ли доверять
Это препринт arXiv, поэтому его ещё не проверили независимые рецензенты. Тест на 2 000 отложенных страницах и дополнительная проверка на другом поисковике выглядят убедительно, но оба эксперимента проходят на тестовых наборах, а не на утечках из реальных рабочих хранилищ.
- Это препринт, поэтому результаты еще не прошли независимую рецензию.
- Атаку проверяли главным образом на бенчмарке ViDoRe v3; переносимость на другие системы изучена ограниченно.
- Защиты снижали читаемость восстановленных страниц, но их влияние на качество поиска и безопасность в реальных системах требует отдельной проверки.
Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено