[論文レビュー] We Can Track You If You Take the Metro: Tracking Metro Riders Using Accelerometers on Smartphones

Jingyu Hua, Zhenyu Shen+1 more|arXiv (Cornell University)|May 22, 2015

Evacuation and Crowd Dynamics参考文献 7被引用数 4

ひとこと要約

本論文は、スマートフォンの加速度計がマルウェアによって悪用され、駅間の固有の運動パターンを検出することで、地下鉄利用者の位置を追跡できることを示している。加速度計データを用いた教師ありおよび半教師あり機械学習により、6つの駅を通過した後、駅間の推定で92%の正確性を達成しており、都市部の交通環境における巧妙なプライバシー脅威を明らかにしている。

ABSTRACT

Motion sensors (e.g., accelerometers) on smartphones have been demonstrated to be a powerful side channel for attackers to spy on users' inputs on touchscreen. In this paper, we reveal another motion accelerometer-based attack which is particularly serious: when a person takes the metro, a malicious application on her smartphone can easily use accelerator readings to trace her. We first propose a basic attack that can automatically extract metro-related data from a large amount of mixed accelerator readings, and then use an ensemble interval classier built from supervised learning to infer the riding intervals of the user. While this attack is very effective, the supervised learning part requires the attacker to collect labeled training data for each station interval, which is a significant amount of effort. To improve the efficiency of our attack, we further propose a semi-supervised learning approach, which only requires the attacker to collect labeled data for a very small number of station intervals with obvious characteristics. We conduct real experiments on a metro line in a major city. The results show that the inferring accuracy could reach 89\% and 92\% if the user takes the metro for 4 and 6 stations, respectively.

研究の動機と目的

• スマートフォンの加速度計を用いて、明示的な位置情報サービスが無効な状態でも、ユーザーの地下鉄利用履歴を推定できるかを調査すること。
• 歩行、走行、静止状態を含む混合センサデータから、地下鉄固有の運動パターンを抽出する課題に対処すること。
• 各駅間のラベル付き訓練データを多く必要としない、スケーラブルな攻撃手法を開発すること。
• モバイルデバイスの加速度計読み取りのみを用いて、地下鉄利用者の追跡が実現可能で正確であるかを評価すること。

提案手法

• 信号処理を用いて駅間の運動パターンを分離することで、混合された加速度計読み取りデータから自動的に地下鉄関連の区間を抽出する基本的攻撃を提案する。
• 教師あり学習で訓練されたアンサンブル区間分類器を用い、抽出されたマクロ特徴量（振幅の分散、ピークパターンなど）に基づいて駅間を検出・分類する。
• ラベル付きデータをわずかに幾つかの特徴が顕著な駅間のみに限定する半教師あり学習アプローチを導入し、攻撃者のデータ収集負荷を顕著に低減する。
• 実世界のデータを南京地下鉄2号線から収集し、モデルの訓練および検証に用い、列車走行中の3軸加速度計読み取りに焦点を当てる。
• 特徴工学を適用して、急激な遷移や方向転換といった粗い運動シグネチャを特定し、各駅間固有の特徴を特定する。
• 従来のデッドレコニング手法と性能を比較し、信号対雑音比が低く、運動プロファイルが滑らかであるため、地下鉄データではこれらの手法が機能しないことを示す。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンの加速度計データを用いて、高い正確性でユーザーの駅間移動を推定できるか？
• RQ2 全駅間のラベル付きデータが利用可能な場合、教師あり学習が駅間を分類する上でどの程度効果的か？
• RQ3 半教師あり学習アプローチは、高い推論正確性を維持しつつ、ラベル付き訓練データの必要量をどれほど削減できるか？
• RQ4 走破する駅数が増えるにつれて、地下鉄追跡の正確性はどのように変化するか？
• RQ5 なぜ従来のデッドレコニング手法は、歩行や走行とは異なり、地下鉄の運動追跡には不適切なのか？

主な発見

• 提案された教師あり学習アプローチは、ユーザーが4つの駅を通過する場合、89%の正確性で地下鉄利用履歴を推定できる。
• 6つの駅を通過した場合、推定正確性は92%に上昇し、長距離の地下鉄利用においても優れた性能を示している。
• 半教師あり学習バージョンは、攻撃者がラベル付きデータを必要とする量を顕著に削減でき、特徴が顕著な少数の主要駅間のみに限定すれば十分である。
• 従来のデッドレコニング手法は、列車走行中の加速度計読み取りが振幅が小さく、ノイズに非常に敏感なため、地下鉄データでは失敗する。
• 攻撃は非常に巧妙である。Androidでは特別な権限が不要なため加速度計にアクセス可能であり、GPSアイコンのような可視的インジケーターも表示されない。
• 本研究は、駅間の線路の幾何学的差異により、地下鉄の運動が加速度計データに固有で識別可能なフィンガープリントを生成することを確認した。