[논문 리뷰] PowerSpy: Location Tracking using Mobile Device Power Analysis

Yan Michalevsky, Gabi Nakibly외 3명|arXiv (Cornell University)|2015. 02. 11.

Green IT and Sustainability참고 문헌 32인용 수 93

한 줄 요약

PowerSpy는 모바일 기기의 전력 소비 데이터—배터리의 전압 및 전류 센서에 비권한 접근을 통해 수집된 자료—를 활용해 기계학습을 통해 사용자 위치를 높은 정확도로 추론할 수 있음을 입증한다. 동시 발생하는 기기 활동으로 인한 큰 노이즈가 존재함에도 불구하고, 이 방법은 경로 추적, 실시간 운동 추적, 그리고 시간적 시계열 전력 프로파일을 분석하여 알려지지 않은 경로를 식별하는 데 성공한다.

ABSTRACT

Modern mobile platforms like Android enable applications to read aggregate power usage on the phone. This information is considered harmless and reading it requires no user permission or notification. We show that by simply reading the phone's aggregate power consumption over a period of a few minutes an application can learn information about the user's location. Aggregate phone power consumption data is extremely noisy due to the multitude of components and applications that simultaneously consume power. Nevertheless, by using machine learning algorithms we are able to successfully infer the phone's location. We discuss several ways in which this privacy leak can be remedied.

연구 동기 및 목표

• 모바일 기기의 집계된 전력 소비 데이터가 명시적 위치 권한 없이도 사용자 위치를 추론하는 데 악용될 수 있는지 조사하기 위해.
• 동시 발생하는 기기 활동과 구성 요소 간 상호작용으로 인한 전력 측정의 높은 노이즈 문제를 해결하기 위해.
• 노이즈가 많은 시간적 시계열 전력 데이터에서 위치 관련 패턴을 추출할 수 있는 기계학습 기법을 개발하기 위해.
• 세 가지 추적 목표의 실현 가능성을 평가하기 위해: 경로 구분 가능성, 실시간 운동 추적, 새로운 경로 추론.
• 3자 애플리케이션에 노출되는 보다 무해해 보이는 센서(예: 전력계)의 개인정보 유출 위험을 부각하기 위해.

제안 방법

• Android 기기에서 /sys/class/power_supply/battery/voltage_now 및 /sys/class/power_supply/battery/current_now에 비권한 접근을 통해 시간적 시계열 전력 소비 데이터를 수집한다.
• 기존에 기록된 알려진 경로 또는 도로 구간의 기준 프로파일과 비교해 전력 프로파일을 분류하고 매칭하기 위해 기계학습 모델을 사용한다.
• 실시간 전력 트레이스와 기준 트레이스 간 유사성을 식별하기 위해 시간적 시계열 분류 및 패턴 매칭 알고리즘을 적용한다.
• 기존 경로를 따라 이동하는 동안 수집된 전력 데이터를 학습하여 전력 소비와 위치 간의 관계를 학습한다.
• 짧은 도로 구간의 복합 전력 프로파일을 구성하여 이전에 기록된 단일 구간의 순차적 전력 패턴을 매칭함으로써 더 긴, 알려지지 않은 경로를 추론한다.
• 셀룰러 라디오의 전력 소비가 기지국과의 거리와 환경적 장애물과 관련이 있음을 활용한다. 이는 다른 전력 원천과 집계된 상태에서도 성립한다.

실험 결과

연구 질문

• RQ1 앱이 단지 집계된 전력 소비 데이터만을 사용하여 알려진 경로 집합 중 사용자의 경로를 추론할 수 있는가?
• RQ2 GPS나 네트워크 기반 위치 데이터에 접근할 수 없더라도 실시간 전력 소비 트레이스 분석을 통해 사용자의 실시간 운동 추적을 달성할 수 있는가?
• RQ3 이전에 기록된 짧은 도로 구간의 전력 프로파일을 조합하여 알려지지 않은 장거리 경로를 재구성할 수 있는가?
• RQ4 스クリーン 사용, 오디오 재생, 통화 등의 동시 기기 활동으로 인한 노이즈가 전력 데이터로부터의 위치 추론에 어느 정도 간섭을 미치는가?
• RQ5 기계학습이 매우 노이즈가 많은 집계된 전력 측정치에서 위치 관련 신호를 얼마나 효과적으로 추출할 수 있는가?

주요 결과

• PowerSpy는 상당한 노이즈가 존재함에도 불구하고 집계된 전력 소비 데이터만을 사용하여 서로 다른 알려진 경로를 높은 정확도로 구분하는 데 성공한다.
• 실시간으로 알려진 경로를 따라 사용자를 추적하는 것은 실시간 전력 트레이스를 기준 프로파일과 매칭함으로써 최소한의 지연으로 가능하다.
• 이전에 기록된 짧은 구간의 전력 프로파일을 조합하여 알려지지 않은 장거리 경로를 추론할 수 있으며, 전체 경로에 대한 사전 지식 없이도 경로 재구성을 가능하게 한다.
• 이 방법은 Android 및 iOS에서 보호되는 GPS, 셀 ID, SSID, 신호 세기 등의 센서에 접근하지 않아도 되므로, 도청적인 개인정보 유출 벡터로 작용한다.
• Google Play 스토어에 이미 100개 이상의 앱이 권한 없이 전력계에 접근하고 있어, 이 모든 앱이 PowerSpy를 통해 감지되지 않고 사용자를 추적할 수 있다.
• 본 연구는 심지어 보다 무해해 보이는 센서인 전력계조차도 기계학습과 결합될 경우 민감한 개인정보 유출을 유발할 수 있음을 입증한다.