[논문 리뷰] We Can Track You If You Take the Metro: Tracking Metro Riders Using Accelerometers on Smartphones

Jingyu Hua, Zhenyu Shen외 1명|arXiv (Cornell University)|2015. 05. 22.

Evacuation and Crowd Dynamics참고 문헌 7인용 수 4

한 줄 요약

이 논문은 악성 소프트웨어가 스마트폰 가속도계를 악용하여 지하철 승객의 위치를 역 간 고유한 운동 패턴을 감지함으로써 추적할 수 있음을 보여준다. 가속도계 데이터에 대해 지도학습 및 준지도학습을 적용한 결과, 여섯 번의 정류장 정류 후 92%의 정확도로 지하철 역 간 거리 인식을 성취하여 도시 대중교통 환경에서의 암묵적인 개인정보 유출 위험을 드러낸다.

ABSTRACT

Motion sensors (e.g., accelerometers) on smartphones have been demonstrated to be a powerful side channel for attackers to spy on users' inputs on touchscreen. In this paper, we reveal another motion accelerometer-based attack which is particularly serious: when a person takes the metro, a malicious application on her smartphone can easily use accelerator readings to trace her. We first propose a basic attack that can automatically extract metro-related data from a large amount of mixed accelerator readings, and then use an ensemble interval classier built from supervised learning to infer the riding intervals of the user. While this attack is very effective, the supervised learning part requires the attacker to collect labeled training data for each station interval, which is a significant amount of effort. To improve the efficiency of our attack, we further propose a semi-supervised learning approach, which only requires the attacker to collect labeled data for a very small number of station intervals with obvious characteristics. We conduct real experiments on a metro line in a major city. The results show that the inferring accuracy could reach 89\% and 92\% if the user takes the metro for 4 and 6 stations, respectively.

연구 동기 및 목표

• 스마트폰 가속도계를 활용해 명시적 위치 서비스 없이 사용자의 지하철 이동 경로를 추론할 수 있는지 조사하는 것.
• 걷기, 운전, 정지 상태 등 혼합된 센서 데이터에서 지하철 전용 운동 패턴을 추출하는 데 도전하는 것.
• 각 역 간 거리에 대해 광범위한 레이블링된 훈련 데이터가 필요로 하지 않는 확장 가능한 공격 방법을 개발하는 것.
• 모바일 기기의 가속도계 읽기만으로 지하철 승객을 추적하는 것의 실현 가능성과 정확도를 평가하는 것.

제안 방법

• 혼합된 가속도계 읽기에서 지하철 관련 간격을 자동으로 추출하는 기본 공격 기법을 제안하며, 신호 처리를 통해 정류장 간 운동 패턴을 분리한다.
• 주어진 마크로 특징(예: 진폭 분산, 피크 패턴 등)을 기반으로 간격을 감지하고 분류하기 위해 지도학습으로 훈련된 앙상블 간격 분류기 기법을 활용한다.
• 특정 운동 특성이 뚜렷한 몇몇 역 간 거리에 대해서만 레이블링된 데이터가 필요로 하는 준지도학습 접근법을 도입하여 공격자가 수집해야 할 데이터 부담을 크게 줄인다.
• 남경 지하철 2호선에서 수집한 실세계 데이터를 활용해 모델을 훈련하고 검증하며, 기차 운행 중 3축 가속도계 읽기를 중심으로 분석한다.
• 해당 간격의 고정밀 운동 서명(예: 급격한 전환, 방향 전환 등)을 식별하기 위해 특징 공학 기법을 적용한다.
• 기존의 사전 추적 기법과 성능을 비교하여, 저신호 대 노이즈 비율과 부드러운 운동 프로파일로 인해 지하철 데이터에서는 이러한 기법이 실패함을 보여준다.

실험 결과

연구 질문

• RQ1 스마트폰의 가속도계 데이터를 활용해 사용자의 지하철 정류장 이동을 고정밀도로 추론할 수 있는가?
• RQ2 모든 간격에 대해 레이블링된 데이터가 가용할 경우 지도학습이 간격 분류에 얼마나 효과적인가?
• RQ3 준지도학습 접근법을 통해 광범위한 레이블링된 훈련 데이터가 필요 없이도 높은 추론 정확도를 유지할 수 있는가?
• RQ4 이동한 정류장 수가 증가함에 따라 지하철 추적 정확도는 어떻게 변화하는가?
• RQ5 기존의 사전 추적 기법이 걷기나 운전과 비교해 지하철 운동 추적에 효과가 없는 이유는 무엇인가?

주요 결과

• 제안된 지도학습 기반 접근법은 사용자가 네 개의 정류장을 이동할 경우 지하철 이동 경로 추론 정확도가 89%에 이른다.
• 여섯 개의 정류장을 이동할 경우 정확도가 92%로 상승하여 장거리 지하철 이동에 강력한 성능을 보임을 입증한다.
• 준지도학습 버전은 공격자가 레이블링된 데이터가 필요한 범위를 크게 줄였으며, 고유한 운동 특성을 띤 몇몇 핵심 정류장 간 거리에 대해서만 데이터가 필요로 한다.
• 기존의 사전 추적 기법은 기차 운행 중 가속도계 읽기에서 진폭이 낮고 노이즈에 매우 민감하기 때문에 지하철 데이터에는 실패한다.
• 가속도계는 안드로이드에서 특별한 권한 없이도 접근 가능하므로 공격은 매우 은밀하며, GPS 아이콘과 같은 시각적 표시도 발생하지 않는다.
• 연구는 지하철 운행이 정류장 쌍 간 궤도 기하학적 차이로 인해 가속도계 데이터에 고유하고 구분 가능한 지문을 생성함을 확인한다.