本文提出了一种名为“屏幕窃读”（Screen Gleaning）的新兴TEMPEST攻击方法，该攻击能够在不具备视觉视线的情况下，读取移动设备屏幕上显示的内容，从而泄露诸如短信验证码等敏感信息。攻击者利用天线和软件定义无线电（SDR）捕获设备在驱动屏幕显示时无意辐射的电磁信号，并将该信号重建为灰度图像（称为“emage”）。由于重建图像往往模糊或存在噪声，人眼难以直接解读，作者证明这一问题可以通过深度学习分类器有效解决，即使用机器学习模型从emage中识别出屏幕上的具体内容。论文的核心贡献包括：演示了针对安全代码（如短信验证码）的完整攻击流程；提出了一个标准化的测试平台（testbed），用于在不同攻击者模型下评估屏幕窃读攻击；系统分析了攻击者模型的维度（如攻击距离、设备类型、屏幕内容等）；并讨论了潜在的防御对策。作者强调，随着SDR和深度学习技术的快速发展，此类攻击的威胁将日益严重。该研究主要面向移动安全、侧信道分析、硬件安全和隐私保护领域的研究人员及安全工程师，旨在提高对电磁侧信道攻击的认识，并推动相应防护措施的研发。

本文献介绍了一种称为 Glowworm 的光学 TEMPEST 侧信道攻击方法。该攻击利用设备（如调制解调器、打印机、智能音箱等）上的电源指示 LED 的微小亮度变化来恢复音频信号。攻击的核心原理是：设备在处理音频信号时，其内部电路电流会发生微小波动，这种波动会传导至电源 LED，导致 LED 的亮度发生难以察觉的变化。攻击者可以使用光电传感器或高速摄像头捕捉这些亮度变化，并通过信号处理技术（如滤波、放大、同步等）重建出原始的音频内容。与传统的 TEMPEST 攻击（如电磁辐射分析）相比，光学攻击不需要接近目标设备，也不受墙壁等障碍物的显著影响，且 LED 普遍存在，使得攻击面更广。本文提出了该攻击的完整实现框架，包括硬件设置、信号采集和恢复算法，并通过实验验证了其有效性，表明在特定条件下可以清晰恢复语音信号。该研究揭示了光泄漏作为新的信息泄露渠道，对物理安全和信息安全具有重要的警示意义。本文适合侧信道研究者、硬件安全工程师和蓝队防御人员阅读，以了解此类攻击的可行性并思考相应的缓解措施。