[论文解读] Exploring Ways To Mitigate Sensor-Based Smartphone Fingerprinting

Anupam Das, Nikita Borisov+1 more|arXiv (Cornell University)|Mar 6, 2015

User Authentication and Security Systems参考文献 19被引用 15

一句话总结

本文提出了一种基于混淆的新型对策，以缓解利用运动传感器（加速度计和陀螺仪）进行的基于传感器的智能手机指纹识别。通过向传感器数据流中注入随机数据点并在尺度上添加噪声，该方法显著降低了指纹识别的准确率——降至15–20%的F-score，同时保持了良好的可用性，优于校准方法，并有效隐藏了分类器所利用的频谱特征。

ABSTRACT

Modern smartphones contain motion sensors, such as accelerometers and gyroscopes. These sensors have many useful applications; however, they can also be used to uniquely identify a phone by measuring anomalies in the signals, which are a result from manufacturing imperfections. Such measurements can be conducted surreptitiously in the browser and can be used to track users across applications, websites, and visits. We analyze techniques to mitigate such device fingerprinting either by calibrating the sensors to eliminate the signal anomalies, or by adding noise that obfuscates the anomalies. To do this, we first develop a highly accurate fingerprinting mechanism that combines multiple motion sensors and makes use of (inaudible) audio stimulation to improve detection. We then collect measurements from a large collection of smartphones and evaluate the impact of calibration and obfuscation techniques on the classifier accuracy.

研究动机与目标

• 探究在网页浏览器中利用运动传感器进行隐蔽设备指纹识别的可行性。
• 评估校准和基于噪声的混淆技术作为对抗传感器指纹识别对策的有效性。
• 开发并测试一种中间件级别的混淆技术，以在保持传感器功能的同时防止设备唯一标识。
• 评估音频刺激对增强指纹识别检测的影响，以及对抗措施对此类增强的鲁棒性。
• 提供一种可部署的、默认启用的解决方案，以在不干扰合法应用程序的前提下保护用户隐私。

提出的方法

• 开发了一种高精度的指纹识别机制，结合加速度计和陀螺仪数据，并通过不可听音频刺激激发传感器响应以增强效果。
• 在实验室和基于网络的环境中，从93部智能手机收集了真实世界的传感器数据，用于训练和评估分类器。
• 实现了一种基于数据注入的混淆技术，通过随机插入修改后的数据点到传感器流中，以破坏频谱特征。
• 应用传感器偏移和增益的对称缩放以模拟混淆范围，评估其对分类器F-score的影响。
• 采用概率性数据插入，调整注入率，以评估时间域和频谱域干扰的影响。
• 评估了校准（针对加速度计和陀螺仪）和基于噪声的混淆方法，比较其在降低指纹识别准确率方面的有效性。

实验结果

研究问题

• RQ1 智能手机中的运动传感器能否用于创建独特且持久的设备指纹，即使在清除Cookie和隐私浏览模式下仍能保持？
• RQ2 不可听音频刺激在多大程度上提升了基于传感器的指纹识别准确率？
• RQ3 传感器校准在多大程度上能降低指纹识别准确率？其局限性是什么？
• RQ4 基于噪声的混淆技术能否有效隐藏传感器数据中的设备特异性异常？
• RQ5 需要多大程度的混淆才能显著降低指纹识别准确率，同时不损害传感器功能？

主要发现

• 在某些情况下，使用加速度计和陀螺仪数据组合进行指纹识别的准确率超过90%，尤其是在引入音频刺激时。
• 音频刺激显著提高了检测率，通过激发揭示设备独特特征的传感器响应。
• 校准虽然降低了指纹识别准确率，但对于陀螺仪而言，若无专用设备则效果不佳。
• 在基础范围10倍的噪声混淆下，F-score降低至约40–55%，表明在此之后收益递减。
• 通过以0.4的概率进行随机数据注入实现增强混淆，F-score降低至15–20%，有效中和了指纹识别。
• 在基于数值的混淆下，频谱特征仍可被利用，但时间域数据注入能有效破坏这些特征。