[论文解读] PowerSpy: Location Tracking using Mobile Device Power Analysis

Yan Michalevsky, Gabi Nakibly+3 more|arXiv (Cornell University)|Feb 11, 2015

Green IT and Sustainability参考文献 32被引用 93

一句话总结

PowerSpy 表明，通过非特权方式访问电池的电压和电流传感器所收集的移动设备功耗数据，可以利用机器学习技术以高精度推断用户位置。尽管存在来自设备并发活动的显著噪声，该方法仍能成功追踪路线，实现实时运动跟踪，并通过分析时间序列功耗特征识别未知路线。

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.

研究动机与目标

• 探究是否可以利用移动设备的聚合功耗数据，在无需明确位置权限的情况下推断用户位置。
• 解决由设备并发活动和组件交互导致的功耗测量中高噪声的挑战。
• 开发机器学习技术，从噪声时间序列功耗数据中提取与位置相关的模式。
• 评估三种追踪目标的可行性：路线可区分性、实时运动跟踪以及未知路线推断。
• 揭示将看似无害的传感器（如功耗计）暴露给第三方应用所带来的隐私风险。

提出的方法

• 通过非特权方式访问 /sys/class/power_supply/battery/voltage_now 和 /sys/class/power_supply/battery/current_now，从 Android 设备收集时间序列功耗数据。
• 使用机器学习模型将功耗特征与已记录的已知路线或路段参考特征进行分类和匹配。
• 应用时间序列分类和模式匹配算法，识别实时功耗轨迹与参考轨迹之间的相似性。
• 在沿已知路线移动期间收集的功耗数据上训练模型，以学习功耗与位置之间的关系。
• 通过匹配连续的功耗模式，将短路段的复合功耗特征组合起来，以推断更长的未知路线。
• 利用蜂窝无线电功耗与基站距离及环境遮挡的相关性，即使与其他电源源聚合，也能实现有效推断。

实验结果

研究问题

• RQ1 仅使用聚合功耗数据，应用程序能否从一组已知路线中推断出用户的具体路线？
• RQ2 在无法访问 GPS 或基于网络的位置数据的情况下，能否通过分析实时功耗轨迹实现用户运动的实时跟踪？
• RQ3 是否可以通过组合先前记录的短路段功耗特征，重建一条未知的长路线？
• RQ4 来自并发设备活动（如屏幕使用、音频播放、通话）的噪声在多大程度上干扰了从功耗数据中推断位置？
• RQ5 机器学习在从高度噪声的聚合功耗测量中提取与位置相关信号方面的有效性如何？

主要发现

• PowerSpy 成功仅通过聚合功耗数据区分不同已知路线，即使存在显著噪声，仍实现了高分类准确率。
• 通过将实时功耗轨迹与参考特征匹配，可在极低延迟下实现实时用户运动跟踪。
• 该方法可通过组合先前记录的短路段功耗特征，推断出未知的长路线，实现无需事先知晓完整路径的路线重建。
• 该方法无需访问 GPS、小区 ID、SSID 或信号强度等传感器——这些传感器在 Android 和 iOS 上受到保护——因此构成一种隐蔽的隐私泄露向量。
• 超过 100 个 Google Play 商店中的应用已无需权限访问功耗计，意味着所有这些应用都可能通过 PowerSpy 在无察觉的情况下跟踪用户。
• 本研究表明，即使看似无害的传感器（如功耗计）在与机器学习结合时，也可能泄露敏感的私人信息。