[논문 리뷰] Proximity Inference with Wifi-Colocation during the COVID-19 Pandemic

Mikhail Dmitrienko, Abhishek Singh외 2명|arXiv (Cornell University)|2020. 09. 26.

COVID-19 Digital Contact Tracing참고 문헌 8인용 수 5

한 줄 요약

이 논문은 코로나19 패an드믹 기간 동안 WiFi 기반의 근접도 추론 시스템을 제안하며, WiFi 스캔 특징(피어슨 상관관계, 재즈드 유사도, 다스 근접도)과 안드로이드 디바이스에서의 핫스팟 동작 주기(-duty cycle)를 활용하여 접근점이 적은 환경에서도 기능을 유지한다. 10피트 거리 기준으로 F-스코어 0.65를 달성하여 블루투스 기반 방법과 비교해도 타당성이 있음을 입증한다.

ABSTRACT

In this work we propose a WiFi colocation methodology for digital contact tracing. The approach works by having a device scan and store nearby access point information to perform proximity inference. We make our approach resilient to different practical scenarios by configuring a device to turn into a hotspot if access points are unavailable, which makes the approach feasible in both dense urban areas and sparse rural places. We compare various shortcomings and advantages of this work over other conventional ways of doing digital contact tracing. Preliminary results indicate the feasibility of our approach for determining proximity between users, which is relevant for improving existing digital contact tracing and exposure notification implementations.

연구 동기 및 목표

• 팬데믹 기간 동안 개인정보 보호 기능을 갖춘 WiFi 기반의 근접도 추론 시스템을 개발하기 위해.
• 농촌이나 접근점이 적은 환경에서의 커버리지 격차를 해소하기 위해, 디바이스가 동작 주기를 통해 핫스팟 기능을 활성화하도록 유도하기 위해.
• 피어슨 상관관계, 재즈드 유사도, 다스 근접도와 같은 WiFi 스캔 특징이 물리적 거리의 대체 지표로 얼마나 신뢰할 수 있는지 평가하기 위해.
• MAC 주소 노출과 WiFi 기반 공재 위치에서의 정보 엔트로피가 낮은 문제로 인한 개인정보 위험을 평가하기 위해.
• 제한된 실세계 스캔 데이터를 기반으로 결정론적 분류기의 근접도 검출 가능성과 타당성을 입증하기 위해.

제안 방법

• 결정론적 if/else 분류기는 Jaccard 유사도, 피어슨 상관관계, 그리고 겹치는 WiFi 액세스 포인트 스캔에서 유도된 다스 근접도의 세 가지 특징을 사용한다.
• 이 분류기는 두 디바이스의 특징 벡터를 사전 정의된 거리 기준에서의 평균 지표와 비교하여 근접도를 예측한다.
• 접근점이 없을 경우에도 기능을 유지하기 위해 안드로이드 디바이스에 핫스팟 동작 주기를 구현하였으며, 네이티브 안드로이드 API를 사용하였다.
• 크로스플랫폼 모바일 애플리케이션에 핫스팟 제어 기능을 통합하기 위해 React Native 바인딩을 개발하였다.
• 특징 벡터는 MAC 주소와 신호 세기 등을 포함한 WiFi 스캔에서 추출되며, 시간에 따라 집계되어 평균 지표를 계산한다.
• 시스템은 두 가지 모드로 작동한다: 연결되어 있을 땐 활성 WiFi 스캔 모드, 연결이 끊어졌을 땐 핫스팟 모드로 전환되어 지속적인 근접도 추론을 보장한다.

실험 결과

연구 질문

• RQ1 피어슨 상관관계, 재즈드 유사도, 다스 근접도와 같은 WiFi 스캔 특징이 디바이스 간 물리적 거리를 신뢰성 있게 추정할 수 있는가?
• RQ2 이러한 특징을 기반으로 한 결정론적 분류기는 다양한 거리에서 근접도 추론에 얼마나 효과적인가?
• RQ3 안드로이드 디바이스에서 핫스팟 동작 주기가 접근점이 적은 환경에서 근접도 추론 능력을 얼마나 유지하는가?
• RQ4 특히 MAC 주소 노출과 정보 엔트로피가 낮은 점을 고려할 때, WiFi 기반 공재 위치 기반의 개인정보 위험은 어떠한가?
• RQ5 이 WiFi 기반 접근법은 기존의 블루투스 또는 GPS 기반 접촉 추적 시스템과 비교해 성능가능성이 있는가?

주요 결과

• 피어슨 상관관계, 재즈드 유사도, 다스 근접도의 세 가지 근접도 특징 모두 거리가 증가함에 따라 점차 감소하며, 약 10피트에서 정체되는 경향을 보였다.
• 결정론적 분류기의 F-스코어는 10피트 거리 기준에서 0.65에 도달하여, 블루투스 기반 시스템과 비교해 중간 수준의 성능을 보이며 타당성을 입증하였다.
• 분류기의 F-스코어는 거리 기준이 증가함에 따라 선형적으로 증가하여, 6~10피트의 사회적 거리 유지 지침에 대응하는 확장 가능성과 유사성을 보였다.
• 핫스팟 동작 주기는 접근점이 없는 환경에서도 근접도 추론을 가능하게 하여, 농촌이나 밀도가 낮은 지역으로의 적용 범위를 넓혔다.
• 개인정보 분석 결과, 48비트 MAC 주소와 wigle.net과 같은 공개 데이터베이스의 존재로 인해 정보 엔트로피가 낮아 브루트 포스 공격에 취약한 점이 드러났다.
• 제한된 데이터에도 불구하고 결정론적 분류기는 더 복잡한 모델과 비슷한 성능을 달성하여, 실세계 환경에서 경량 배포가 가능한 잠재력을 보였다.