文章总结： 本文解读了名为TESLA的触屏电磁侧信道攻击，该攻击通过近距离电磁探头捕捉电容屏固定扫描电极时泄露的信号，利用时间与空间映射关系及机器学习还原PIN码与键盘输入。实验表明近距离下单字符识别率极高，但受距离衰减明显且依赖同型号设备提前画像。文章客观指出了原论文评估方法的局限性。防御建议包括高风险输入采用随机键盘布局、硬件层面动态打乱电极扫描顺序以及加强电磁屏蔽，普通用户无需恐慌但需警惕高敏感场景下的物理环境安全。 综合评分： 90 文章分类： 移动安全,漏洞分析,终端安全,办公安全,漏洞预警

---

手机放在桌上，密码可能正在被“听见”：一种触屏电磁侧信道攻击

原创

XueMian XueMian

雪面科技

2026年7月19日 08:09 澳大利亚

在小说阅读器读本章

去阅读

一种触屏电磁侧信道攻击

桌下的探头

想象一个很普通的场景。

你走进会议室，把手机平放在桌上。几分钟后，你点亮屏幕，输入 PIN，回复几条消息，又打开支付软件确认了一笔转账。整个过程中，手机没有安装陌生应用，没有连上可疑 Wi-Fi，也没有被别人拿走。

但在桌板下面，距离手机只有几厘米的位置，藏着一个不起眼的电磁探头。它不碰手机，不拍摄你的手指，也不需要攻破操作系统。它只是持续记录手机向外泄漏的微弱电磁波形。

等你离开后，攻击者把波形送进预先训练的模型。屏幕解锁时按过哪些数字、键盘上输入过哪些字母、使用的是哪一类应用，甚至手写轨迹的大致形状，都可能从这段信号中被还原出来。

这不是电影情节，而是一篇 2026 年 5 月发布的安全研究所展示的攻击[11]。论文题为 Capacitive Touchscreens at Risk，作者把方法命名为 TESLA——Touchscreen Electromagnetic Side-channel Leakage Attack，即“触屏电磁侧信道泄漏攻击”。

这里的“侧信道”，可以理解为设备完成正常功能时，在物理世界留下的旁路痕迹。程序没有把密码主动发给攻击者，但功耗、声音、运行时间、电磁辐射等信号，可能间接暴露正在处理的信息。

TESLA 瞄准的正是我们每天使用、却很少从安全角度考虑的部件：电容触屏。

需要先强调：这是一种近距离、需要提前画像的硬件侧信道，不是攻击者在远处随便架一根天线就能接管手机。可它仍然值得认真对待，因为论文揭示的不是某个 App 的漏洞，而是触屏工作原理本身可能携带的信息泄漏。

这种探头能看到什么

TESLA 试图恢复四类信息。

第一类是解锁数字。触屏上的 0—9 对应固定区域，只要能判断每次触摸落在哪个区域，就能把位置重新翻译成 PIN。

第二类是虚拟键盘输入。QWERTY 键盘比数字键盘更密集，但逻辑相同：先恢复触摸位置，再映射成具体字母。

第三类是应用类别。应用商店、支付、购物和音乐 App 的触摸热点并不一样。把一段时间内的位置汇总成“热力图”，模型就可能判断用户在进行哪一类操作。

第四类是连续手写。攻击者不再只判断一个点，而是连续恢复一串二维坐标，再把坐标按时间顺序连接起来，得到字符或单词的大致轨迹。

TESLA 从触摸时产生的电磁信号中推断 PIN、键盘输入、应用类别和手写轨迹。图源：原论文。

四个任务共享同一个物理源头：电容触屏扫描手指位置时，会无意中把空间信息编码进电磁信号的时间结构。后端解码器各不相同，统一的是底层泄漏机制。

要理解这件事，需要先弄清楚电容触屏怎样知道手指在哪里。

这个研究方向不是突然出现的

TESLA 并非凭空出现。过去十多年里，研究者沿着几条不同的物理路径追踪触摸与手机交互；它们能回答“什么信号会泄漏”，也能划清 TESLA 到底新增了什么。能恢复同一种信息，不等于采用同一种传感机制；部署前提同样决定现实风险。

第一条路，是手机自身的传感器。

TouchLogger 早在 2011 年就表明，点击屏幕会带来可区分的机身运动，手机内部的方向与运动读数可用于推断数字软键盘区域[1]。这证明“触摸会留下侧信道”并不新鲜，但它要求代码读到受害手机的内部传感器，通常还假设手机被拿在手中。TESLA 则把传感器移到设备外部，不需要 App 权限或操作系统访问[11]；两者的攻击入口不同，不能把前者当成触屏电磁扫描的证据。

第二条路，是供电与充电链路。

有线充电时，被改造的 USB 充电器可读取细粒度电压、功耗轨迹，借显示动画造成的耗电差异推断虚拟按键与解锁口令[2]。无线充电又提供了另一条旁路：线圈啸叫和周围磁场扰动可在标称 20 厘米布置下暴露界面切换、应用启动、键盘活动与解锁输入，距离增加后性能下降[3]。前者需要接入导电电源线，后者虽是非接触测量，却要求手机正在无线充电且几何关系已知；TESLA 不依赖充电状态，目标是触控电极扫描本身的泄漏[11]。

第三条路，才真正逼近 TESLA：电磁泄漏与人体耦合。

这里必须把几类工作拆开。Screen Gleaning 用距离手机不到 1 厘米的近场探头恢复显示通路泄漏，得到屏幕图像和验证码；它看到的是屏幕内容，不是手指落点[4]。FPLogger 借被改造的无线充电线圈恢复屏下指纹图像，说明近场电磁信号可带出细粒度生物信息，但目标是另一套传感器，耦合距离仅 2—10 毫米[6]。

对触摸位置而言，已核实的最近前身是 Periscope：它被动测量人体耦合的触屏电磁辐射，用少量已知输入校准用户打字速度，并在最远 90 厘米实验中推断按键、排列 6 位 PIN 候选[5]。它没有把扫描时刻直接映射成通用二维坐标。GhostTouch 主动发射 EMI，向触屏注入假点击和滑动[9]；Invisible Finger 同样采用主动 IEMI，制造短按、长按和多方向滑动[10]。这是篡改触控完整性的主动注入，不是偷听真实输入的被动泄漏。

第四条路，是连续轨迹的无线感知。

mTrack 用 60 GHz 毫米波反射追踪书写物体，恢复亚厘米精度的二维轨迹和触碰状态[7]；RadSee 用 6 GHz FMCW 雷达隔墙感知手部运动，再识别字母和单词[8]。它们说明无线信号确实能承载连续书写信息，但属于能力类比：系统主动照射目标、读取反射，不是从手机触屏扫描时序中解码坐标，更不能为 TESLA 的时间—空间机制背书。

已有充分支撑的是：内部运动传感器可泄漏点击区域[1]，近场 EM 可恢复屏幕内容[4]，人体耦合 EM 可泄漏按键信息[5]；毫米波反射能恢复连续二维轨迹[7]，FMCW 雷达能根据手部运动识别书写内容[8]。仍属部分支撑的是：模型能否跨手机型号、桌面材质、距离与用户条件稳定迁移；TESLA 只在四款手机和有限近场几何下给出结果[11]。

因此，TESLA 不是第一种触摸侧信道，也不是第一项电磁触屏工作[1][4][5][9][10]。它更可辩护的增量，是把触控扫描顺序转成“扫描时刻—二维位置”映射，并以同一物理框架覆盖离散按键、滑动和手写[11]。这比争夺一个证据不足的“首次”标签更准确。

手指为什么会改变电磁信号

一块现代电容屏内部，分布着两组肉眼看不见的透明电极。一组负责发送激励信号，叫 TX；另一组负责接收电荷变化，叫 RX。两组电极纵横交叉，在每个交叉点形成一个很小的“互电容”。

负责驱动和读取这些电极的芯片叫模拟前端，也就是 AFE。它不断向 TX 发送信号，再从 RX 读取反馈。手机由此获得一张电容变化地图，判断哪里出现了触摸。

手指为什么能被检测到？因为人体可以导电。手指靠近屏幕时，会扰动 TX 与 RX 之间的电场，并引入额外的耦合电容。对触屏电路来说，手指成了触屏电路的一部分：它改变了局部阻抗、电荷流动和驱动信号，也就改变了设备向外辐射的电磁特征。

作者实际测到的波形与这个解释吻合。手指逐渐靠近时，电磁信号增强；真正接触屏幕后，信号达到峰值并出现稳定的周期结构；手指离开时，信号随距离增大而减弱。

到这里，TESLA 只能知道“有人摸了屏幕”。要从触摸中分辨数字 1 和数字 9，还缺少最关键的一环：触屏并不是同时检查整块屏幕，而是按照一定顺序扫描电极。

这个顺序，给每个位置留下了不同的时间戳。

触屏如何把位置写进时间轴

触屏驱动大体可以分为并行驱动和扫描驱动。

并行驱动会同时激活多条 TX 电极，再通过正交信号区分它们。它的信噪比较高，但电路更复杂、面积和功耗也更大。扫描驱动则更直接：控制器通过多路复用器，依次激活第一条、第二条、第三条 TX，直到扫完整块屏幕。

左侧为并行驱动，右侧为依次激活 TX 电极的扫描驱动。图源：原论文。

论文认为，许多手机为了降低硬件复杂度，使用了扫描驱动。假设屏幕共有  条纵向 TX 电极，完成一轮扫描需要 ，手指位于第  列，那么它造成的电磁扰动相对扫描起点大致会延迟：

公式不用死记。可以把 TX 电极想成一排依次点亮的探照灯。

控制器从左到右开灯。手指站在第几盏灯下面，扰动就会在这一轮扫描的第几个时刻出现。只要每轮开灯顺序固定，攻击者就能从“扰动出现得早还是晚”，反推出手指大致位于屏幕左侧、中间还是右侧。

这就是整篇论文最核心的“时间—空间映射”：触屏内部为了定位手指，本来就要把空间逐点扫描；固定扫描顺序又无意中把同一份空间信息复制到外部可测的时间信号上。

不同数字区域产生不同周期内波形；横向差异普遍比纵向差异明显。图源：原论文。

图中还有一个很有价值的细节。数字 1、2、3 横向排列，处于不同 TX 列，电磁扰动的时间位置差别明显；数字 1、4、7 纵向对齐，很可能共享同一条 TX，它们的主要时间特征更加相似，只能依赖 RX 方向较弱的次级差异。

后面的分类结果也出现了同样的结构：PIN 更容易错到同一列的数字，QWERTY 字母也更容易被误判为竖直邻居。换句话说，模型的错误不是毫无规律的噪声，而是沿着电极扫描方向发生。这让“模型确实学到了触屏空间结构”的解释更可信。

作者还需要排除另一个可能：信号会不会来自按键动画或屏幕刷新，而不是触摸扫描？

他们比较了有动画反馈和关闭动画反馈的触摸，周期特征依然存在。更关键的是，泄漏周期跟随触摸采样率，而不是显示刷新率。iPhone X 的屏幕刷新率为 60 Hz，触摸采样率为 120 Hz，泄漏周期也是 120 Hz；Xiaomi 10 Pro 分别是 90 Hz、180 Hz 和 180 Hz。

这两组“频率指纹”把信号源进一步锁定到了触摸扫描子系统。

高采样率也解释了 TESLA 为什么能在短时间里得到大量波形。以 120 Hz 为例，只要手指在屏幕上停留一秒，触屏就会完成约 120 轮扫描；180 Hz 的设备则会产生约 180 个周期。论文因此把采集效率写成每分钟 7200 或 10800 个周期样本，远高于一些必须等待完整用户动作的既有攻击。

不过，“周期样本”不能简单等同于“独立操作”。同一次按压产生的相邻周期高度相关，它们更像一段视频里的连续帧，而不是许多互不相关的实验。这种高密度让攻击者更容易捕捉位置变化，也意味着后续评估必须谨慎处理相邻周期，避免训练集和测试集共享过于相似的信号。

从一段波形到 PIN 和手写轨迹

知道原理，并不等于马上能发动攻击。现实信号会受到距离、环境噪声、手机轻微移动和用户操作习惯影响。TESLA 因此设计了四个处理阶段。

系统依次完成交互分类、信号截取、归一化和敏感信息恢复。图源：原论文。

第一步是判断用户在做什么。解锁、连续打字和浏览 App 的触摸频率、单次持续时间不同。作者用随机森林区分解锁、键盘输入和应用操作，在 1500 个连续 30 秒片段上得到 91.0% 的准确率。

这个结果也暴露了一个现实问题：一次 PIN 解锁通常只有几秒，而论文的行为分类需要 30—60 秒信号。它证明了较长行为模式可以区分，却还没有证明系统总能在一次短暂解锁开始前自动选对攻击目标。真实攻击可能仍要依赖上下文、重复观察，或者事先知道用户正在解锁。

第二步是在扫描周期中切出有效波形。每个周期开始时有一个与机型有关、位置关系较小的突变，随后才是携带位置差异的有效段，尾部则逐渐平稳。算法利用导数和方差找到起点、终点，相当于先为每次扫描校准统一的“零时刻”。

第三步是统一长度和幅度。不同波形被重采样到相同长度，再做 Z-score 标准化，使均值为 0、标准差为 1。这样会弱化绝对强弱，保留相对形状和相位。它也说明 TESLA 真正依赖的不是“哪个按键声音更大”，而是扰动在周期内部出现的位置和结构。

第四步才是机器学习解码。数字和字母使用轻量分类器，将波形映射到固定屏幕区域；应用类别先统计触摸热点，再交给卷积网络；连续手写则把每个时间片的位置预测串起来，经平滑、插值和拼接得到轨迹。

攻击者还需要训练数据。论文采用的是典型“画像攻击”：先购买一台与受害者相同型号的手机，在自己控制的设备上输入大量已知数字、字母和轨迹，建立“波形—位置”对应关系；真正监听时，再把模型用于受害者的未知信号。

因此，后文所谓 cross-device，并不是在 iPhone 上训练后直接攻击三星，而是同型号不同物理设备之间的迁移。这个区别非常重要。

99.33% 到底意味着什么

论文摘要里最吸引眼球的数字，是 PIN 识别 99.3%、键盘输入 97.6%、应用类别 95.0%。但这三个数字首先描述的是较受控条件下的“单元素”或预设类别分类。

99.3% 指 iPhone X 上单个 PIN 数字的分类准确率。97.6% 指固定 QWERTY 布局上的单个字母。95.0% 则来自四个预设应用大类，每类只选了两款代表 App，而且每个应用类别样本对应长达 300 秒的触摸分布。

它们说明位置信号很强，却不能直接等价为一次性拿到完整密码。

“

这个数字不能这样理解：99.33% 不等于攻击者只听一次，就有 99.33% 的概率拿到完整密码。

论文的 T-5 是“连续五次尝试中至少有一次恢复成功”，不是针对同一条观测给出五个候选答案。

作者另外测试了 4 位和 6 位 PIN，以及 4、6、8、10 位键盘序列，共 24 个端到端场景。我根据原表逐行重算，第一次尝试就完整恢复的 T-1 平均为 86.49%；三次内成功的 T-3 平均为 96.31%；五次内成功的 T-5 才达到 99.33%。

最困难场景的一次成功率只有 63.67%。输入越长，累积一次字符错误的机会就越多：四款手机的 4 位 PIN，T-1 平均为 93.50%；到 10 位键盘输入时，平均降到 77.58%。

这些仍然是很高的数字，但现实意义完全不同。如果用户只输入一次秘密，应该关注 T-1；只有用户会重复输入相同内容，攻击者才能享受 T-3 或 T-5 带来的增益。

距离与探头朝向共同定义测量几何。论文数据里，距离是更强的变量；同一距离下所测方向的差异相对较小。

距离从 5 cm 增至 25 cm 时，十分类 PIN 数字准确率由约 99% 降至约 61%。图源：原论文。

在数字解锁实验中，探头距离手机 5 cm 时准确率约 99%，10 cm 时约 97%—98%，15 cm 时约 95%，20 cm 降到约 72%，25 cm 约为 61%。随机猜一个数字只有 10%，所以 25 cm 的结果仍构成泄漏；但信号快速衰减也说明它是一种近场攻击。

论文还在图书馆和会议室中测试：公共场景把探头放在对座的包里，距离 15 cm；私人场景则把探头藏在 5 cm 厚木桌下，距离约 5 cm。公共环境中的 PIN、键盘、应用类别准确率分别为 90.8%、87.5% 和 84.6%，私人环境为 97.1%、96.4% 和 92.4%。

作者把差异部分归因于环境噪声，但两个场景同时改变了距离，不能把全部下降都算在“图书馆更嘈杂”头上。更严谨的说法是：攻击在“15 cm 的图书馆组合条件”下仍然有效。

手写结果更加直观，也更容易被过度解读。

原始手写单词与 TESLA 恢复轨迹的对比。图源：原论文。

作者把屏幕划成 32×15 个区域，共采集 48 万个位置样本并按 80:20 划分训练测试。恢复后的单字符交给 Tesseract OCR，平均识别率为 76.77%；字符轨迹的 Jaccard 重合度为 0.7374。到了单词级，Top-5 识别率降为 58.34%，Jaccard 为 0.6661。

这证明轨迹保留了相当多形状信息，但论文没有给出 OCR 对原始笔迹的上限，也没有在真实签名验证系统上测试。Jaccard 还会受栅格化、线宽和对齐方式影响。因此，这些结果尚不足以推出攻击者已经能够稳定冒充他人的电子签名。

论文证明了什么，又没有证明什么

“

证明了：触屏固定扫描会产生可测、可分类、与位置相关的电磁泄漏。

它还证明，这种泄漏在四款商品手机、同型号不同设备以及若干现实环境中依然存在。它没有证明任何手机、任何姿态、任何距离都能被同一个模型直接攻击。

这篇论文最扎实的地方，是多条证据指向同一个机制：手指靠近时信号增强；不同位置产生不同周期内波形；泄漏频率等于触摸采样率；横向位置比纵向同列更易区分；分类器也更多混淆同列按键；随机打乱数字键盘后，四款手机的准确率跌到约 9%，接近十分类随机猜测。

“物理解释—波形观测—错误模式—防御实验”形成了一个相对完整的闭环。

不过，各位读者也需要知道这项研究的证据边界。

第一，随机划分可能让结果偏乐观。论文将整个数据集随机做 80:20 训练—测试划分，没有说明是否按参与者、采集会话、一次物理触摸或相邻扫描周期分组。如果同一次持续触摸产生的相邻周期被分到两边，训练和测试信号会过于相似。更严格的评估应该按用户、会话和触摸事件完全隔离。

第二，许多“鲁棒性”结果是条件内训练测试。距离实验会在相应距离重新采集训练和测试数据，并不是只在 5 cm 安静会议室训练一次，就直接拿到 25 cm 图书馆使用。论文所说的“条件无关”，更适合解释为不要求 USB 或无线充电，而不是模型不怕任何测量条件变化。

第三，跨设备不等于跨型号。作者确实做了有价值的迁移实验：每个型号使用两台手机，一台训练、一台测试，PIN 准确率为 93.3%—97.5%。但它没有覆盖同型号不同屏幕供应商、不同固件、换过屏幕的设备，更没有证明跨品牌直接迁移。

第四，现实几何仍然较窄。主要实验中，手机平放在桌面，探头距离为 5–25 cm，攻击者知道机型，还能购买同型号设备做画像。论文没有系统评估手持手机、保护壳、金属桌、横屏、多点触控、第三方输入法或更换屏幕后会发生什么。

第五，样机并不代表所有新手机。iPhone X、Galaxy S10、Mate 30 Pro 和 Xiaomi 10 Pro 来自 2017—2020 年。新一代 AFE 可能加入频率跳变、混合扫描、自适应采样或更好的屏蔽。论文证明了问题跨多个厂商存在，却还不能把结论扩大到所有 2026 年手机。

此外，公开 Zenodo 记录目前主要是演示视频，没有原始电磁数据和完整训练代码。论文也没有报告足够完整的 Transformer 配置、跨参与者方差或置信区间。这些都限制了外部研究者独立复现和判断结果稳定性。

所以，对这篇论文最准确的评价不是“手机密码已经全面失守”，也不是“条件苛刻，所以毫无意义”。更合理的结论是：核心泄漏已经越过可行性门槛，现实通用性仍需要更严格的跨用户、跨会话和跨条件实验。

真正有效的防御是什么

如果泄漏来自固定的“位置—扫描时间”关系，防御就应该打断这条关系。

最容易部署的软件办法，是对高风险输入使用动态布局。论文把数字键盘随机打乱后，TESLA 的准确率降到 9.2%—9.7%，接近随机猜测。它不能隐藏物理触摸轨迹，也会降低输入体验，但对 PIN 很直接。

更根本的硬件方案，是让 AFE 在每一帧使用不同的 TX 激活顺序。今天的固定顺序是 1→2→3→……，同一位置总在同一时刻产生扰动；如果扫描顺序经过伪随机打乱，攻击者即使看到扰动，也不知道这一刻对应哪一列电极。

这相当于从信息结构上拆掉时间—空间映射，比单纯让信号变弱更彻底。当然，它需要触屏控制器、固件和信号重建共同改变，可能带来功耗、延迟和触摸精度成本。

其他办法还包括动态改变采样时序、加入随机延迟，以及针对触摸扫描基频加强电磁屏蔽。时序扰动让不同周期难以对齐；屏蔽则降低信噪比、缩短有效距离。但如果固定扫描关系仍在，足够近、足够灵敏的探头仍可能重新观察到它，所以屏蔽更像纵深防御。

普通用户需要恐慌吗？目前没有必要。

TESLA 需要近距离布置探头，了解目标机型，用同型号手机提前画像，并且最有利的条件是受害者把手机平放在固定桌面。这些条件排除了大量随时随地发生的攻击。

真正值得关注的是高价值、可提前布置的场景：会议室、图书馆、咖啡馆、共享办公桌、恶意家具，以及需要在触屏上输入重要 PIN、支付信息或签署文件的地方。对这些场景，桌下和周围未知电子设备本来就应该属于物理安全检查的一部分。

这项研究给手机厂商的提醒则更加长远：硬件内部的执行顺序并不是“只有工程意义、没有安全意义”的实现细节。只要这个顺序稳定地编码了用户输入，又能通过功耗、声音或电磁辐射被外界观察，它就可能成为侧信道。

我们习惯把触屏看作接收手指指令的入口。TESLA 展示了它的另一面：在读取手指的同时，触屏也可能把手指的位置悄悄写进物理世界。

本文解读基于 arXiv:2605.14633v1 的完整论文[11]。当前版本为 arXiv v1 预印本，论文使用 IEEE TMC 排版模板不代表已正式接收；作者公开的实验演示也不能替代原始数据与代码。

References

[1] Liang Cai and Hao Chen. TouchLogger: Inferring Keystrokes on Touch Screen from Smartphone Motion. 6th USENIX Workshop on Hot Topics in Security (HotSec 11), 2011. Link: https://www.usenix.org/conference/hotsec11/touchlogger-inferring-keystrokes-touch-screen-smartphone-motionPDF: https://www.usenix.org/event/hotsec11/tech/final_files/Cai.pdf

[2] Patrick Cronin et al. Charger-Surfing: Exploiting a Power Line Side-Channel for Smartphone Information Leakage. 30th USENIX Security Symposium (USENIX Security 21), 2021, pp. 681–698. Link: https://www.usenix.org/conference/usenixsecurity21/presentation/croninPDF: https://www.usenix.org/system/files/sec21-cronin.pdf

[3] Tao Ni et al. Uncovering User Interactions on Smartphones via Contactless Wireless Charging Side Channels. 44th IEEE Symposium on Security and Privacy, 2023, pp. 3399–3415. DOI: 10.1109/SP46215.2023.10179322 Link: https://doi.org/10.1109/SP46215.2023.10179322PDF: https://bruceqczhao.github.io/assets/sp23/sp23.pdf

[4] Zhuoran Liu et al. Screen Gleaning: A Screen Reading TEMPEST Attack on Mobile Devices Exploiting an Electromagnetic Side Channel. Network and Distributed System Security Symposium (NDSS), 2021. DOI: 10.14722/ndss.2021.23021 Link: https://www.ndss-symposium.org/ndss-paper/screen-gleaning-a-screen-reading-tempest-attack-on-mobile-devices-exploiting-an-electromagnetic-side-channel/PDF: https://www.ndss-symposium.org/wp-content/uploads/2021-021-paper.pdf

[5] Wenqiang Jin et al. Periscope: A Keystroke Inference Attack Using Human Coupled Electromagnetic Emanations. 2021 ACM SIGSAC Conference on Computer and Communications Security (CCS 21), pp. 700–714. DOI: 10.1145/3460120.3484549 Link: https://doi.org/10.1145/3460120.3484549PDF: https://ranger.uta.edu/~mingli/publications/periscope.pdf

[6] Tao Ni, Xiaokuan Zhang, and Qingchuan Zhao. Recovering Fingerprints from In-Display Fingerprint Sensors via Electromagnetic Side Channel. 2023 ACM SIGSAC Conference on Computer and Communications Security (CCS 23), pp. 253–267. DOI: 10.1145/3576915.3623153 Link: https://doi.org/10.1145/3576915.3623153PDF: https://em-fingerprints.github.io/assets/FPLogger_CCS23.pdf

[7] Teng Wei and Xinyu Zhang. mTrack: High-Precision Passive Tracking Using Millimeter Wave Radios. 21st Annual International Conference on Mobile Computing and Networking (MobiCom 15), 2015, pp. 117–129. DOI: 10.1145/2789168.2790113 Link: https://doi.org/10.1145/2789168.2790113PDF: https://xyzhang.ucsd.edu/papers/TWei_MobiCom15_mTrack.pdf

[8] Shichen Zhang et al. RadSee: See Your Handwriting Through Walls Using FMCW Radar. Network and Distributed System Security Symposium (NDSS), 2025. DOI: 10.14722/ndss.2025.230322 Link: https://www.ndss-symposium.org/ndss-paper/radsee-see-your-handwriting-through-walls-using-fmcw-radar/PDF: https://sczhang6.github.io/files/Shichen25_NDSS_Radsee.pdf

[9] Kai Wang et al. GhostTouch: Targeted Attacks on Touchscreens without Physical Touch. 31st USENIX Security Symposium (USENIX Security 22), 2022, pp. 1543–1559. Link: https://www.usenix.org/conference/usenixsecurity22/presentation/wang-kaiPDF: https://www.usenix.org/system/files/sec22-wang-kai.pdf

[10] Haoqi Shan et al. Invisible Finger: Practical Electromagnetic Interference Attack on Touchscreen-based Electronic Devices. 43rd IEEE Symposium on Security and Privacy, 2022, pp. 1246–1262. DOI: 10.1109/SP46214.2022.9833718 Link: https://doi.org/10.1109/SP46214.2022.9833718PDF: https://www.jinyier.me/papers/SP2021_EMI.pdf

[11] Yukun Cheng et al. Capacitive Touchscreens at Risk: A Practical Side-Channel Attack on Smartphones via Electromagnetic Emanations. arXiv:2605.14633, 2026. Link: https://arxiv.org/abs/2605.14633PDF: https://arxiv.org/pdf/2605.14633

---

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：雪面科技 XueMian XueMian《手机放在桌上，密码可能正在被“听见”：一种触屏电磁侧信道攻击》