[논문 리뷰] I Always Feel Like Somebody's Sensing Me! A Framework to Detect, Identify, and Localize Clandestine Wireless Sensors

Akash Deep Singh, Luis Garcia외 2명|arXiv (Cornell University)|2020. 05. 06.

Indoor and Outdoor Localization Technologies인용 수 5

한 줄 요약

SnoopDog는 사용자 이동(신뢰할 수 있는 자이로스코프 센서를 통해)과 해당하는 무선 트래픽 변화 사이의 인과관계를 설정함으로써 은밀한 Wi-Fi 센서의 감지, 식별 및 국지화를 수행하는 프레임워크이다. 인간의 움직임과 소리 기반 이벤트에 대해 95.2%의 감지 정확도를 달성하여, 새로운 시도 기반 RSSI 기법을 통해 정밀한 국지화를 가능하게 한다.

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.

연구 동기 및 목표

• 호텔 객실이나 주거 공간과 같은 사생활 영역에 존재하는 감지되지 않은 저비용 무선 센서로 인한 증가하는 프라이버시 위협을 해결하기 위해.
• 사용자 활동과의 인과관계를 활용하여 카메라 외의 다양한 무선 센서를 감지할 수 있는 일반화된 방법을 개발하기 위해.
• 네트워크 트래픽 및 신호 세기 패턴을 이용해 센서 유형의 정확한 식별과 은밀한 장치의 정밀한 국지화를 가능하게 하기 위해.
• 네트워크 접근 권한이나 전용 하드웨어가 필요 없이도 스마트폰이나 노트북과 같은 일반 기기로도 사용 가능한 실용적인 솔루션을 제공하기 위해.

제안 방법

• 스마트폰의 신뢰할 수 있는 센서 데이터(예: IMU)와 다른 기기의 Wi-Fi 트래픽 패턴 사이의 인과관계를 설정하여 잠재적인 감시 행동을 감지하기 위해.
• 인코딩 모델 분석과 공개 데이터베이스를 활용한 패킷 헤더 매칭을 통해 의심스러운 기기의 유형과 모델을 분류하기 위해.
• 방향성 신호 세기와 RSSI 변화를 활용하여 기기의 물리적 위치를 좁힐 수 있는 시도 기반 국지화 기법을 적용하기 위해.
• 수동 모니터링 단계(의심스러운 패tern 감지)와 활성 단계(사용자가 제어된 움직임을 수행하여 인과관계를 확인)로 나누어 운영하기 위해.
• 모니터 모드에서 Wi-Fi 카드 기능을 활용해 원시 트래픽을 캡처하고 채널 이동을 가능하게 하여 포괄적인 네트워크 스캐닝을 수행하기 위해.
• 기존의 트래픽 서명과 기기 행동을 비교하여 정상 기기와 감시 기기 간의 차이를 식별하기 위해.

실험 결과

연구 질문

• RQ1 일반화된 프레임워크는 카메라 외의 다양한 은밀한 무선 센서를 감지할 수 있는가?
• RQ2 사용자 운동과 무선 트래픽 사이의 인과관계를 신뢰성 있게 확립하여 감시 장치를 식별할 수 있는가?
• RQ3 트래픽 패턴 분석과 공개 데이터베이스 매칭을 통해 기기 유형과 모델을 정확하게 분류할 수 있는가?
• RQ4 RSSI 기반 기법을 사용해 은밀한 센서의 물리적 위치를 충분히 정밀하게 국지화할 수 있는가?
• RQ5 다양한 센서 유형과 환경 조건이 존재하는 실생활 환경에서 이 프레임워크의 효과는 어떠한가?

주요 결과

• SnoopDog는 주입된 다중 모odal 이벤트가 인간의 움직임 또는 소리일 경우 95.2%의 감지율을 기록하여 실생활 시나리오에서 높은 신뢰성을 입증하였다.
• 사용자 운동이 발생했을 경우, 고유한 트래픽 패턴 상관관계 덕분에 모든 감지된 기기를 100% 정확도로 분류하였다.
• 시도 기반 국지화 기법 덕분에 잠재적 탐색 영역이 충분히 작은 하위 영역으로 좁혀져 기기의 물리적 위치를 효율적으로 특정할 수 있었다.
• 단순히 트래픽 볼륨이나 주파수만을 분석하는 것이 아니라 인과관계 분석을 통해 정상 기기와 악성 기기 간의 효과적인 구분이 가능했다.
• 스마트폰과 노트북과 같은 일반 기기에서 작동하여 전문 지식이 없는 사용자도 쉽게 사용할 수 있으며, 전용 하드웨어가 필요하지 않았다.
• 카메라 전용 감지 방법과 달리, 카메라, 마이크, 운동 감지기 등 다양한 센서 모달리티로 일반화 가능했다.