[論文レビュー] Smartphone Fingerprinting Via Motion Sensors: Analyzing Feasibility at Large-Scale and Studying Real Usage Patterns

Anupam Das, Nikita Borisov+2 more|arXiv (Cornell University)|May 27, 2016

Internet Traffic Analysis and Secure E-voting被引用数 6

ひとこと要約

本稿は、k-NN分類器と距離メトリック学習を用いることで、400台のデバイスで最大90%の正確さ、100,000台のデバイスで少なくとも12–16%の正確さで、スマートフォンのモーションセンサーを用いた大規模なデバイスファンプリントが可能であることを示している。また、ウェブサイトが頻繁にモーションセンサーのデータを収集していることから、潜在的なファングプリントが可能であることが明らかになり、モーション制御ゲームにおける使いやすさに著しい影響を与えないように、バイアス除去と量子化の2つのプライバシー保護対策が評価された。

ABSTRACT

Advertisers are increasingly turning to fingerprinting techniques to track users across the web. As web browsing activity shifts to mobile platforms, traditional browser fingerprinting techniques become less effective; however, device fingerprinting using built-in sensors offers a new avenue for attack. We study the feasibility of using motion sensors to perform device fingerprinting at scale, and explore countermeasures that can be used to protect privacy. We perform a large-scale user study to demonstrate that motion sensor fingerprinting is effective with even 500 users. We also develop a model to estimate prediction accuracy for larger user populations; our model provides a conservative estimate of at least 12% classification accuracy with 100000 users. We then investigate the use of motion sensors on the web and find, distressingly, that many sites send motion sensor data to servers for storage and analysis, paving the way to potential fingerprinting. Finally, we consider the problem of developing fingerprinting countermeasures; we evaluate a previously proposed obfuscation technique and a newly developed quantization technique via a user study. We find that both techniques are able to drastically reduce fingerprinting accuracy without significantly impacting the utility of the sensors in web applications.

研究の動機と目的

• 従来の100台未満の研究にとどまらず、大規模な環境下でのモーションセンサーを用いたデバイスファングプリントの実現可能性を評価すること。
• 集団内および集団間の距離分布を用いて、大規模な集団におけるファングプリント正確さをモデル化・予測すること。
• ウェブ上でのモーションセンサーの実際の使用状況を調査し、データ漏洩によるファングプリントのリスクを評価すること。
• モーション制御ゲーム上で、2つの対策（バイアス除去と量子化）をテストすることで、プライバシーと利便性のトレードオフを評価すること。

提案手法

• 複数のデバイスとユーザーから610台のスマートフォンのモーションセンサーのデータを収集し、大規模なファングプリントデータセットを構築した。
• 距離メトリック学習を用いたk-NN分類器を適用し、モーションセンサーのトレースに基づいてデバイスを分類した。
• 集団内および集団間の距離分布にフィットするパラメトリックモデルを開発し、大規模な集団における分類正確さを推定した。
• Alexa上位10万サイトの静的および動的JavaScriptを分析し、モーションセンサーへのアクセスとデータ送信のパターンを特定した。
• モーションデータを極座標に変換し、解像度を低下させることでデバイス固有のパターンを隠蔽する、新しい量子化ベースの対策を提案した。
• 408名の参加者を対象にモーション制御ゲームを用いたユーザースタディを実施し、プライバシー技術の利便性への影響を評価した。主観的評価と客観的ゲーム性能指標の両方を測定した。

実験結果

リサーチクエスチョン

• RQ1 従来の100台未満の研究をはるかに超えて、モーションセンサーによるファングプリントが大規模で高い正確さを達成できるか？
• RQ2 10万デバイスの集団における予測されるファングプリント正確さは何か？また、トレーニングデータセットのサイズに応じてどのように変化するか？
• RQ3 実世界のウェブサイトでは、モーションセンサーへのアクセスとデータ送信はどれほど一般的か？主な用途は何か？
• RQ4 バイアス除去や量子化のようなプライバシー保護技術は、実アプリケーションにおけるセンサーの有用性を著しく損なわず、ファングプリント正確さを効果的に低下させられるか？
• RQ5 これらの対策は、モーションに依存するウェブアプリケーションにおけるユーザーエクスペリエンスにどのような影響を与えるか？

主な発見

• 400台のデバイスからなるデータセットで90%の分類正確さを達成しており、大規模な環境下でもモーションセンサーによるファングプリントが非常に実現可能であることが示された。
• 10万デバイスの集団においても、保守的な予測として12–16%のファングプリント正確さが得られた。これは、モーションセンサーによるファングプリントが大規模な環境下でも依然として脅威として成立することを示している。
• Alexa上位10万サイトにおいて1,000件以上のモーションセンサーへのアクセスが同定され、サーバーへの顕著なデータ送信が確認された。これは、潜在的なファングプリントインフラの構築が可能であることを示している。
• 多くのスクリプトがモーションセンサーのデータをサーバーに送信しており、一部の広告ターゲティングでセンサーの存在を活用していることが判明した。これは、既存のデータ収集パイプラインがファングプリントを可能にする可能性を示している。
• ユーザースタディでは、ベースライン条件とプライバシー保護条件の間で、ゲームの難易度、継続時間、リスタート回数に統計的に有意な差が認められなかった。これは、利便性への影響が最小限であることを示している。
• バイアス除去法と新たに提案された量子化技術の両方とも、モーションベースのウェブアプリケーションにおけるユーザーエクスペリエンスを著しく損なわず、ファングプリント正確さを効果的に低下させた。