“穿墙透视”黑魔法来了!只需WiFi和智能手机就可实现

新智元报道

来源:arXiv

编辑:肖琴、木青

【新智元导读】“穿墙透视”已经不是超能力了。最近,加州大学圣巴巴拉分校和芝加哥大学的研究人员开发了一种新的方法,让“穿墙透视”变得前所未有的简单:仅利用环境Wi-Fi信号和普通的智能手机就能穿透墙壁,窥探墙内人的移动。

无线设备无处不在,无论是在家中,办公室里,还是在街上,人们沐浴在几千赫兹甚至太赫兹的射频频率中。

这些看不见的传输有许多穿过我们的身体,而其他的则携带着关于我们的位置、运动和其他生理特征的信息。当人们移动时,这个频率场也会随之扭曲,随着移动反射和折射波。

这给了研究人员一个有趣的想法。从理论上讲,应该可以利用这种不断变化的电磁场来确定人体的位置、行为和移动。

实际上,已经有研究人员开发了利用Wi-Fi“穿墙透视”的成像系统。但这些系统也有缺点。比如,它们依赖于所涉及的Wi-Fi发射器的确切位置,并且需要登录到网络以来回发送已知的信号。

对于普通的窥探者而言,要知道这些很难,他们通常只能访问到现成的Wi-Fi嗅探器,比如内置在智能手机中的嗅探器。这种设备很基本,除了嗅探到存在Wi-Fi网络之外,基本无法窥探关起门的屋内的任何细节。

现在,加州大学圣巴巴拉分校的Yanzi Zhu,芝加哥大学的Zhujun Xiao以及他们的同事开发了一种新的方法,让“穿墙透视”变得无比简单:他们找到了一种利用环境Wi-Fi信号和普通的智能手机穿透墙壁看到墙内的方法

他们在arXiv上公开了论文“Adversarial WiFi Sensing”。研究人员表示,这种新技术可以造成前所未有的隐私侵犯,他们称这是一种对抗式定位攻击(adversarial localization attack),“动机不良的攻击者仅仅使用智能手机,利用周围WiFi信号的反射,就可以在墙外对个人进行定位和跟踪。”

研究人员表示在11个真实世界的地点用实验验证了这种攻击,并以较高的精度显示了用户跟踪。

使用被动WiFi进行定位攻击

在这篇论文中,我们研究了对抗式WiFi感知对位置隐私威胁的一般问题,并实验验证了使用被动WiFi(passive WiFi)感知进行对抗性定位攻击的可行性。这个研究侧重于用户的对抗性定位和跟踪,不同于以前的侧重于感知用户姿势、情绪或身体状况的研究。

我们的攻击场景只需使用普通硬件进行被动推理,因为主动射频发射器容易被检测到。

本研究的贡献如下:

  • 首先,我们从人体对环境WiFi信号的阻挡和反射中识别出位置隐私的风险。
  • 其次,我们提出两个步骤的方法,用于对抗性定位和跟踪房间内的移动目标。
  • 第三,我们在普通智能手机上实现了攻击系统的原型,并在11个不同的环境中验证了攻击的可行性和准确性,包括办公楼和住宅楼。
  • 最后,我们提出并评估了三种不同的防御方法,包括地理隔离WiFi信号、限制WiFi信号速率和信号混淆。

两个步骤:定位和持续监控

先前的研究已经表明,通过分析射频(RF)的反射,软件系统可以根据不同的粒度级别“感知”用户。

这种攻击可以实现的关键因素就是无处不在的环境射频辐射。无论是路由器、笔记本电脑,还是新的物联网设备,比如语音助理、摄像头、智能门铃、智能家电等,WiFi设备都在不断地传播无线信号。观察这些环境信号足以得到足够的信息来感知和跟踪用户。

在我们的提出的攻击方法中,为了精确定位和跟踪用户,攻击者首先要分析环境WiFi发射以确定建筑物内静态WiFi发射器的位置。我们把这些发射器称为锚固装置(anchor device)。它们发出的WiFi信号有效地在每个房间内形成一个密集的“隐形”绊网,攻击者可以利用它监视家里/办公室里用户的存在和移动。

攻击可以分为以下两个步骤:

第一步:定位目标建筑物内的锚固装置。

关键的想法是利用被嗅探的WiFi包的接收信号强度(RSS)与从锚装置到嗅探器的距离之间相关性,并根据在不同位置观察到的RSS来估计锚装置的位置。

这样,攻击者可以在目标位置外测量(比如在办公楼的公共走廊,或在房屋外),使用一个标准嗅探器设备就可以被动接收房间内WiFi设备的传输,如图1所示。

图1:攻击一个医生办公室的场景

由于WiFi数据包不加密源和目的地MAC地址,因此攻击者可以为每个WiFi设备收集数据包,甚至可以从数据包中推断出设备类型。

然后,攻击者利用这些嗅探包的RSS值(沿着行走路径测量到的值)来定位每个对应的WiFi设备。攻击者甚至可以使用机器人或无人机来测量。

第二步:持续目标监控。

接下来,攻击者将一个固定的WiFi嗅探器偷偷放到受害者的家/办公室外面,以持续监控WiFi传输。利用被检测到的WiFi设备作为锚装置,攻击者可以从信号中提取出细微的变化,以识别和跟踪目标如何在室内的各个房间中移动。

这里的关键是,当移动时,目标用户将阻挡或反射附近锚装置在同一房间发送的WiFi信号,从而触发攻击者捕获的信号变化。因此,根据嗅探信号的变化,攻击者可以根据所触发的锚装置的位置来推断目标的位置。

上述攻击在实践中很容易发起。然而,要想精确地定位和跟踪具有挑战性,因为攻击者为了优先考虑隐身,只使用被动嗅探。

此外,由于攻击者只能观察到“墙后”的WiFi信号,捕获的信号是从多个路径聚合的,因此非常复杂并且难以建模。一个成功的攻击设计需要强大的定位算法,以解决这种复杂性和因缺乏地面实况参考点的测量,从而校准用于定位的传播模型。

实验评估攻击效果

第一步攻击的效果

为了评估第一步的攻击,我们处理了所收集到的RSS跟踪,用以检测和定位目标区域中的固定WiFi设备,并将结果与事实进行比较。图7是11个测试场景中的每一个WiFi设备的平均定位精度。我们比较了使用和不使用数据筛选的RSS模型拟合的性能,以及应用中所提出的特征聚类时的性能。

从这个实验中,我们得到两个关键性的观察。

首先,“盲目地”将RSS测量值馈送到模型拟合中会导致大量的定位误差。在11个测试场景中的5个场景中,攻击者将超过40%的WiFi设备放置在错误的房间,从而为步骤2攻击提供了错误的锚装置。

其次,我们提出的数据筛选显著提高了定位精度。对于90%以上的情况,设备都可以放置在正确的房间。我们使用细粒度数据采样的设计也优于粗糙的、基于特征聚类的过滤。

第二步攻击的效果

对于我们的第2步攻击,我们尝试了不同类型的目标活动和动作。

检测房间中的用户存在。图8描述了在我们的测试场景中,基于12小时CSI记录中的用户存在/移动检测的CSI性能。我们根据房间中锚固装置的数量,得到了精度和召回值结果。我们的攻击探测器非常精确,在室内分别使用一个、两个和三个锚固装置时,召唤值分别为87.8%,98.5%和99.8%,三种情况下的精确值均为99.95%。但仅使用一个锚固设备,召回值较低,因为用户可能离设备更远,因此他的移动对嗅探的CSI信号带来的可观察影响就较少。随着房间内锚装置的增加,攻击覆盖范围也将迅速增大。

跟踪房间内的用户移动。我们的攻击还可以跟踪用户在房间内的移动。为了研究它的效果,我们首先做了一个对照实验:我们设计了两个连通房(1和2),每个房间有两个锚固装置。嗅探器放在房间1的外面。我们让一个人类用户在两个房间之间来回走动。图9显示了所检测到用户在两个房间的走动占比,表明我们的检测对人体运动非常敏感。

接下来,使用所有记录的CSI迹线,我们通过将每个检测到的、移动的持续时间与用户记录的地面实况值进行比较。以分析跟踪精度。图10显示了CDF的持续时间估计误差,其中80%的情况下,误差小于16秒。

WiFi设备的触发距离。如之前描述的那样,每个锚设备也具有触发距离。用户离锚点越近,他对信号传播(对嗅探器)的影响就越大。为了研究这种效应,我们在四个测试场景中进行了对照实验。这里的嗅探器放置在距离所有锚固装置10米的墙后面。

我们将运动模式分为两组:一是从锚点到嗅探器的直接链路移动;二是在锚点的一侧移动,这种移动将影响其到嗅探器的反射路径。我们的结果表明,第一种类型的运动会触发更多的信号变化。总的来说,触发范围约为3米(准确度为87.8%)。在5米处,准确度则下降到40%。

锚传输率的影响。上述结果假设锚设备处于活动模式。报告的CSI分组速率在8-11pps之间。为了研究锚包速率低于8pps的影响,我们对CSI跟踪进行了子采样,以模拟低包速率。图11显示了作为WiFi安全摄像机的分组速率功能中的探测召回和精度。在全速率(相当于11个百分点的CSI率)下,召回率为88.5%,在2pps时召回率降至58.4%,在0.5pps时则降至31%。但精度恒定在99.94%。这意味着某些WiFi设备在空闲时不能单独用于检测用户的存在。但是,由于设备在不同时间传输了数据包,攻击者可以聚合来自多个锚点的结果,以提高检测准确性。

论文地址:

https://arxiv.org/pdf/1810.10109.pdf

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2018-11-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

手把手教你学习R语言

随着分析数据的方式在近两年发生了翻天覆地的变化,随着互联网在人们的生活中广泛的普及,人手一部智能机的时代,人们的衣食住行都接上的互联网,这使得数据的获取量得以指...

1K8
来自专栏AI科技大本营的专栏

AI 技术讲座精选:5款新手也能快速构建的深度学习应用(使用Python)

前 言 深度学习从根本上改变了我们周围的一切。很多人认为必须成为深度学习的专家,才能将深度学习用到自己的应用中。然而,实际并非如此。 在我之前的文章中,我讨论了...

3407
来自专栏企鹅号快讯

AI 时代下腾讯的海量业务智能监控实践

作者丨李春晓:腾讯高级工程师,目前为腾讯SNG社交网络运营部社交平台业务运维组员工。 海量业务的挑战 互联网业务讲究“极致、口碑、快”,经历过长时间的演进,腾讯...

89210
来自专栏喔家ArchiSelf

嵌入式中的人工神经网络

人工神经网络在AI中具有举足轻重的地位,除了找到最好的神经网络模型和训练数据集之外,人工神经网络的另一个挑战是如何在嵌入式设备上实现它,同时优化性能和功率效率。...

1842
来自专栏有趣的Python

1-机器学习启蒙- Python基础语法与工具

机器学习正在改变世界 以前的机器学习观点 ? 我为什么学习机器学习?机器人:人工智能应用。 ? 亚马逊零售推荐,Google广告。电影推荐,音乐推荐,社交推荐。...

3357
来自专栏影子

关于图文识别功能相关技术的大致实现

转载请注明源地址:http://www.cnblogs.com/funnyzpc/p/8908906.html

1611
来自专栏WOLFRAM

Wolfram 语言和 Mathematica 11.2上线了

2983
来自专栏量子位

从零开始学习神经网络 | 视频教程

允中 发自 凹非寺 量子位 出品 | 公众号 QbitAI 爱好人工智能的你,一定想理解和创建神经网络吧,对不对? 好吧,我默认你是这么想的。呐,我们发现了一个...

3247
来自专栏数据魔术师

干货|十分钟快速复习禁忌搜索(c++版)

说到的话一定要做到!做到!到! 昨天向大家保证今天分享 Tabu Search (TS) 代码 c++ 版本,然后,小编就去熬了个夜... ...

5699
来自专栏FreeBuf

如何科学合理薅FreeBuf活动“羊毛”

过年前网站推出一个叫“网藤杯智能安全机器人养成计划”的活动,刚开始以为是一个养蛙类型的活动,研究过后发现,这是一个上传数据拿奖品的活动,看着礼品还挺诱人的,作为...

3555

扫码关注云+社区

领取腾讯云代金券