[论文解读] All Your Location are Belong to Us: Breaking Mobile Social Networks for Automated User Location Tracking

Muyuan Li, Haojin Zhu+5 more|arXiv (Cornell University)|Oct 9, 2013

Privacy-Preserving Technologies in Data参考文献 17被引用 15

一句话总结

本文表明，使用相对距离混淆技术保护位置隐私的主流移动社交网络（微信、陌陌、Skout）在面对自动化、高精度用户追踪时存在严重漏洞。通过将LBSN客户端作为位置预言机，并结合策略性位置操纵，作者在真实测试中实现了95%准确率的精确地理定位恢复，暴露出当前工业界隐私实践中的关键缺陷。

ABSTRACT

Many popular location-based social networks (LBSNs) support built-in location-based social discovery with hundreds of millions of users around the world. While user (near) realtime geographical information is essential to enable location-based social discovery in LBSNs, the importance of user location privacy has also been recognized by leading real-world LBSNs. To protect user's exact geographical location from being exposed, a number of location protection approaches have been adopted by the industry so that only relative location information are publicly disclosed. These techniques are assumed to be secure and are exercised on the daily base. In this paper, we question the safety of these location-obfuscation techniques used by existing LBSNs. We show, for the first time, through real world attacks that they can all be easily destroyed by an attacker with the capability of no more than a regular LBSN user. In particular, by manipulating location information fed to LBSN client app, an ill-intended regular user can easily deduce the exact location information by running LBSN apps as location oracle and performing a series of attacking strategies. We develop an automated user location tracking system and test it on the most popular LBSNs including Wechat, Skout and Momo. We demonstrate its effectiveness and efficiency via a 3 week real-world experiment with 30 volunteers. Our evaluation results show that we could geo-locate a target with high accuracy and can readily recover users' Top 5 locations. We also propose to use grid reference system and location classification to mitigate the attacks. Our work shows that the current industrial best practices on user location privacy protection are completely broken, and it is critical to address this immediate threat.

研究动机与目标

• 调查用于用户隐私保护的主流移动社交网络（LBSN）中位置混淆技术的安全性。
• 评估类似微信、陌陌和Skout等LBSN中基于相对距离的混淆技术是否能够有效防止精确用户追踪。
• 设计并验证一种自动化系统，仅利用公开的、混淆后的位置数据，即可实现对用户精确位置的追踪。
• 提出并评估一种在LBSN设计中平衡隐私与实用性的缓解策略。
• 提高公众对LBSN位置隐私泄露真实风险的认识，特别是当混淆机制被误认为是安全时。

提出的方法

• 作者设计了一套自动化用户位置追踪系统，将LBSN客户端应用视为位置预言机，通过向其查询经操纵的测试位置来实现攻击。
• 他们采用了一系列策略性攻击方法，如基于网格的探测和基于距离的三角测量，仅利用LBSN公开的信息。
• 该系统利用LBSN暴露用户间相对距离的特性，通过迭代逼近方法反推出精确坐标。
• 在为期三周的真实世界实验中，对30名志愿者进行了测试，收集了目标用户在微信、陌陌和Skout上的位置数据。
• 作者提出了一种非均匀网格参考系统与位置分类机制，以优化隐私-实用性权衡，其中单元格大小根据位置敏感度进行调整。
• 他们使用真实世界实验收集的数据集，评估了所提缓解方法的有效性，比较了不同网格配置下的隐私与实用性表现。

实验结果

研究问题

• RQ1 仅通过普通用户权限访问LBSN应用的攻击者，能否准确恢复目标用户的精确地理坐标？
• RQ2 当前工业界采用的混淆技术（如相对距离披露）在多大程度上无法有效保护用户位置隐私？
• RQ3 当仅依赖LBSN应用提供的公开、混淆后的位置数据时，自动化追踪的效率如何？
• RQ4 不同的网格参考系统与位置分类机制对LBSN中隐私-实用性权衡产生何种影响？
• RQ5 能否仅通过标准LBSN客户端交互，构建一种系统性、非自愿的追踪机制？

主要发现

• 作者在为期三周的真实世界实验中，成功以95%的准确率追踪了30名志愿者在微信、陌陌和Skout上的位置，证明当前混淆技术完全无效。
• 该攻击系统能够以高概率恢复用户最常访问的前5个位置，表明存在严重的隐私泄露风险。
• 与均匀网格相比，采用位置分类的非均匀网格参考系统显著提升了隐私-实用性权衡，尤其在高敏感度位置上表现更优。
• 研究发现，即使存在混淆机制，LBSN暴露的相对距离信息仍足以实现精确定位，从而彻底动摇了当前工业实践中的安全假设。
• 很少有用户会选择手动从公开界面移除其位置信息，凸显了改进默认隐私保护机制与提升用户隐私意识的迫切需求。
• 结果表明，当前LBSN的位置隐私机制在根本上已失效，亟需全面重构。