[论文解读] A Survey on Amazon Alexa Attack Surfaces

Yanyan Li, Sara Kim+1 more|arXiv (Cornell University)|Feb 23, 2021

AI in Service Interactions参考文献 13被引用 6

一句话总结

本文调查了亚马逊Alexa生态系统中的六个攻击面——涵盖语音捕获、传输、识别、技能调用、Lambda函数以及S3存储——识别出语音助手安全中的漏洞，并提出了针对性的缓解策略，例如增强的认证流程、自动化代码分析和配置审计，以提升隐私保护和系统完整性。

ABSTRACT

Since being launched in 2014, Alexa, Amazon's versatile cloud-based voice service, is now active in over 100 million households worldwide. Alexa's user-friendly, personalized vocal experience offers customers a more natural way of interacting with cutting-edge technology by allowing the ability to directly dictate commands to the assistant. Now in the present year, the Alexa service is more accessible than ever, available on hundreds of millions of devices from not only Amazon but third-party device manufacturers. Unfortunately, that success has also been the source of concern and controversy. The success of Alexa is based on its effortless usability, but in turn, that has led to a lack of sufficient security. This paper surveys various attacks against Amazon Alexa ecosystem including attacks against the frontend voice capturing and the cloud backend voice command recognition and processing. Overall, we have identified six attack surfaces covering the lifecycle of Alexa voice interaction that spans several stages including voice data collection, transmission, processing and storage. We also discuss the potential mitigation solutions for each attack surface to better improve Alexa or other voice assistants in terms of security and privacy.

研究动机与目标

• 识别并分析由于亚马逊Alexa与智能家居设备及云服务日益集成而带来的主要安全与隐私风险。
• 研究Alexa语音交互的生命周期，映射数据收集、传输、处理和存储各阶段的漏洞。
• 为每个识别出的攻击面提出切实可行的缓解策略，以增强Alexa及类似语音助手的安全性和可信度。
• 解决当前技能认证流程中的缺陷，并提出自动化、持续的验证机制，以防止恶意或伪装技能的部署。
• 评估Alexa后端架构中无服务器（Lambda）函数和云存储（S3）配置错误带来的风险。

提出的方法

• 将攻击系统性地划分为六个攻击面：语音捕获、语音流量传输、Alexa语音识别、技能调用、Lambda函数以及S3存储桶访问。
• 分析了现实世界中的攻击向量，如语音欺骗、技能抢占、Lambda函数中的SQL注入以及配置错误的S3存储桶。
• 评估了现有缓解技术，包括自动化代码分析、用于SQL注入测试的Lambda-Proxy以及用于配置审计的LambdaGuard。
• 通过基于音素和词汇的名称分析，提出改进技能认证流程，以防止与现有技能产生混淆。
• 建议使用浏览器扩展和策略检查工具，以检测并阻止对可写或公开可读S3存储桶的访问。
• 倡导对Alexa技能实施持续认证和运行时完整性检查，以确保部署后行为的一致性。

实验结果

研究问题

• RQ1 Alexa语音交互生命周期中的主要攻击面是什么？它们如何损害用户隐私和系统安全？
• RQ2 Alexa技能认证流程中的缺陷如何导致技能抢占和恶意功能注入等攻击？
• RQ3 Alexa后端中无服务器（Lambda）函数和云存储（S3）存在哪些安全风险？如何加以缓解？
• RQ4 自动化工具如LambdaGuard和SQL注入测试框架在多大程度上可减少Alexa云基础设施中的漏洞？
• RQ5 持续验证和配置审计在多大程度上可提升Alexa技能和后端服务的长期安全性？

主要发现

• 在Alexa语音交互生命周期中识别出六个不同的攻击面：语音捕获、传输、识别、技能调用、Lambda函数以及S3存储。
• 技能抢占攻击利用了认证流程中的漏洞，特别是缺乏对技能名称的语音学和语义分析，从而实现恶意伪装。
• 配置错误的S3存储桶构成重大风险，若未正确保护或审计，可能暴露私钥等敏感数据。
• 由于输入验证不足且缺乏自动化安全测试，SQL注入仍是Lambda函数的可行威胁。
• 当前Alexa技能的认证流程主要依赖人工操作且不一致，增加了恶意或缺陷技能被部署的风险。
• 自动化工具如LambdaGuard和S3策略检查器可显著提升对配置错误的检测能力，并减少攻击面暴露。