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

Akash Deep Singh, Luis Garcia+2 more|arXiv (Cornell University)|May 6, 2020

Indoor and Outdoor Localization Technologies被引用 5

一句话总结

SnoopDog 是一种框架，通过建立用户移动（通过可信的惯性测量单元传感器）与无线网络流量变化之间的因果关系，实现对隐蔽Wi-Fi传感器的检测、识别和定位。它在人体运动和声音事件上的检测准确率达到95.2%，并通过一种新型基于试验的RSSI技术实现精确的定位。

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.

研究动机与目标

• 解决私人空间（如酒店房间或家庭）中未被察觉的低成本无线传感器日益增长的隐私威胁。
• 开发一种通用方法，通过利用用户活动与之相关的因果关系，检测任意无线传感器（而不仅限于摄像头）。
• 利用网络流量和信号强度模式，准确识别传感器类型并精确定位隐蔽设备。
• 提供一种实用且用户可访问的解决方案，无需网络访问权限，也无需除智能手机和笔记本电脑等常见设备外的专用硬件。

提出的方法

• 通过建立可信传感器数据（如智能手机的IMU）与其它设备的Wi-Fi流量模式之间的因果关系，检测潜在的监控行为。
• 利用编码模型分析和与公共数据库匹配的数据包头，对可疑设备的类型和型号进行分类。
• 应用基于试验的定位技术，利用方向性信号强度和RSSI变化缩小设备的物理位置范围。
• 分两个阶段运行：首先被动监控以检测异常模式，随后通过用户执行受控移动来确认因果关系的主动阶段。
• 利用Wi-Fi网卡的监控模式功能捕获原始流量，并支持信道跳频以实现全面的网络扫描。
• 将设备行为与已知的流量特征进行交叉比对，以区分良性设备与监控设备。

实验结果

研究问题

• RQ1 通用框架是否能够检测远超摄像头范围的各类隐蔽无线传感器？
• RQ2 用户运动与无线流量之间的因果关系是否可以可靠建立，以识别监控设备？
• RQ3 是否能通过流量模式分析与公共数据库匹配，准确分类设备类型和型号？
• RQ4 是否能利用基于RSSI的技术，以足够高的精度定位隐藏传感器的物理位置？
• RQ5 该框架在包含多种传感器类型和复杂环境条件的真实场景中效果如何？

主要发现

• 当注入的多模态事件为人体运动或声音时，SnoopDog的检测率达到95.2%，在真实场景中表现出高度可靠性。
• 当事件为人体运动时，该框架成功以100%的准确率对所有检测到的设备进行分类，得益于其独特的流量模式相关性。
• 基于试验的定位技术将潜在的搜索区域缩小至足够小的子空间，从而实现对设备的高效物理定位。
• 该方法通过分析因果关系而非仅依赖流量大小或频率，有效区分了良性设备与恶意设备。
• 该系统可在智能手机和笔记本电脑等常见设备上运行，使非技术用户无需专用硬件即可使用。
• 该方法可泛化应用于多种传感器模态，包括摄像头、麦克风和运动探测器，而不同于仅针对摄像头的检测方法。