[論文レビュー] I Always Feel Like Somebody's Sensing Me! A Framework to Detect, Identify, and Localize Clandestine Wireless Sensors

Akash Deep Singh, Luis Garcia+2 more|arXiv (Cornell University)|May 6, 2020

Indoor and Outdoor Localization Technologies被引用数 5

ひとこと要約

SnoopDog は、信頼できる IMU センサーを介したユーザーの動きと、それに応じた無線通信の変化の因果関係を確立することで、ユーザーを監視する隠れた Wi-Fi センサーの検出、同定、局所化を行うフレームワークである。ユーザーの運動および音声イベントの検出精度は 95.2% に達し、新規の試行ベースの RSSI 技術により、正確な局所化が可能である。

ABSTRACT

The increasing ubiquity of low-cost wireless sensors has enabled users to easily deploy systems to remotely monitor and control their environments. However, this raises privacy concerns for third-party occupants, such as a hotel room guest who may be unaware of deployed clandestine sensors. Previous methods focused on specific modalities such as detecting cameras but do not provide a generalized and comprehensive method to capture arbitrary sensors which may be "spying" on a user. In this work, we propose SnoopDog, a framework to not only detect common Wi-Fi-based wireless sensors that are actively monitoring a user, but also classify and localize each device. SnoopDog works by establishing causality between patterns in observable wireless traffic and a trusted sensor in the same space, e.g., an inertial measurement unit (IMU) that captures a user's movement. Once causality is established, SnoopDog performs packet inspection to inform the user about the monitoring device. Finally, SnoopDog localizes the clandestine device in a 2D plane using a novel trial-based localization technique. We evaluated SnoopDog across several devices and various modalities and were able to detect causality for snooping devices 95.2% of the time and localize devices to a sufficiently reduced sub-space.

研究の動機と目的

• ホテルの部屋や住宅など、プライベートな空間に設置された検出不能で低コストの無線センサーによる増加するプライバシーの脅威に対処すること。
• ユーザー行動との因果関係を活用することで、カメラに限らず任意の無線センサーを検出できる汎用的手法の開発。
• ネットワークトラフィックおよび信号強度のパターンを用いて、センサーの種別を正確に同定し、密かに設置された機器の物理的位置を高精度で局所化すること。
• ネットワークアクセスや専用ハードウェアを必要とせず、スマートフォンやノートパソコンといった一般的なデバイスで利用可能な実用的でユーザーがアクセス可能なソリューションの提供。

提案手法

• スマートフォンの IMU などの信頼できるセンサーからのデータと、他のデバイスからの Wi-Fi トラフィックパターンとの因果関係を確立し、不審な監視行動の検出。
• 符号化モデルの分析と公開データベースとのパケットヘッダーマッチングを用いて、不審なデバイスの種別およびモデルを分類。
• 方向性信号強度と RSSI の変動を活用した試行ベースの局所化技術を適用し、デバイスの物理的位置を絞り込む。
• 2段階のプロセスで動作する：まず受動的モニタリングにより不審なパターンを検出し、その後、因果関係の確認のためユーザーが制御された動きを実行するアクティブフェーズへ。
• モニターモードでの Wi-Fi カード機能を活用して、生のトラフィックをキャプチャし、チャネルホッピングによる包括的なネットワークスキャンを実現。
• 既知のトラフィックシグネチャと照合することで、良性デバイスと監視用デバイスを区別する。

実験結果

リサーチクエスチョン

• RQ1 汎用フレームワークは、カメラに限らず幅広い種類の密かな無線センサーを検出できるか？
• RQ2 ユーザーの動きと無線トラフィックの間の因果関係を信頼性を持って確立でき、監視デバイスを同定できるか？
• RQ3 トラフィックパターンの分析と公開データベースとの照合により、デバイスの種別およびモデルを正確に分類できるか？
• RQ4 RSSI を用いた技術により、隠れたセンサーの物理的位置を十分な精度で局所化できるか？
• RQ5 多様なセンサータイプや環境条件下でも、実環境においてこのフレームワークは効果的か？

主な発見

• SnoopDog は、注入されたマルチモーダルイベントが人間の運動または音声の場合、95.2% の検出率を達成し、実環境でも高い信頼性を示した。
• 人間の運動がイベントの場合、明確なトラフィックパターンの相関があるため、検出されたすべてのデバイスを 100% の正確さで分類できた。
• 試行ベースの局所化技術により、探索範囲が十分に小さなサブスペースにまで縮小され、デバイスの物理的位置を効率的に同定できた。
• 単にトラフィック量や周波数を分析するのではなく、因果関係を分析することで、良性デバイスと悪意あるデバイスを効果的に区別できた。
• スマートフォンやノートパソコンといった一般的なデバイスで動作するため、技術に不慣れなユーザーにとってもアクセス可能であり、専用ハードウェアは不要である。
• カメラに特化した検出手法とは異なり、カメラ、マイク、運動検知センサーなど、さまざまなセンサーモダリティに一般化可能である。