[论文解读] Mobile IMUs Reveal Driver's Identity From Vehicle Turns

Dongyao Chen, Kyong-Tak Cho+1 more|arXiv (Cornell University)|Oct 12, 2017

User Authentication and Security Systems参考文献 9被引用 5

一句话总结

该论文提出Dri-Fi系统，仅通过移动设备在车辆转弯过程中采集的零权限IMU数据（加速度计、陀螺仪、磁力计）来识别驾驶员。通过提取独特的转弯行为特征——沿转弯结束方向的加速度、其与均值的偏差，以及偏航率的偏差，Dri-Fi在单次转弯内对5名驾驶员的识别准确率达到90.8%，在多次转弯下提升至96.6%，揭示了广泛可用的移动传感器所引发的此前未被关注的隐私威胁。

ABSTRACT

As vehicle maneuver data becomes abundant for assisted or autonomous driving, their implication of privacy invasion/leakage has become an increasing concern. In particular, the surface for fingerprinting a driver will expand significantly if the driver's identity can be linked with the data collected from his mobile or wearable devices which are widely deployed worldwide and have increasing sensing capabilities. In line with this trend, this paper investigates a fast emerging driving data source that has driver's privacy implications. We first show that such privacy threats can be materialized via any mobile device with IMUs (e.g., gyroscope and accelerometer). We then present Dri-Fi (Driver Fingerprint), a driving data analytic engine that can fingerprint the driver with vehicle turn(s). Dri-Fi achieves this based on IMUs data taken only during the vehicle's turn(s). Such an approach expands the attack surface significantly compared to existing driver fingerprinting schemes. From this data, Dri-Fi extracts three new features --- acceleration along the end-of-turn axis, its deviation, and the deviation of the yaw rate --- and exploits them to identify the driver. Our extensive evaluation shows that an adversary equipped with Dri-Fi can correctly fingerprint the driver within just one turn with 74.1%, 83.5%, and 90.8% accuracy across 12, 8, and 5 drivers --- typical of an immediate family or close-friends circle --- respectively. Moreover, with measurements on more than one turn, the adversary can achieve up to 95.3%, 95.4%, and 96.6% accuracy across 12, 8, and 5 drivers, respectively.

研究动机与目标

• 探究是否可仅通过移动设备在驾驶操作期间采集的IMU数据推断驾驶员身份。
• 识别并利用车辆转弯过程中可区分个体驾驶员的独特行为模式。
• 证明零权限移动IMU——智能手机和可穿戴设备中常见的传感器——可在无需访问车内数据的情况下实现高精度驾驶员指纹识别。
• 揭示一种此前未被探索的隐私攻击面，其范围超越OBD-II或车内CAN数据。
• 推动针对此类基于IMU的驾驶员追踪技术的防御对策发展。

提出的方法

• Dri-Fi在车辆转弯过程中收集移动设备的原始IMU数据（加速度计、陀螺仪、磁力计）。
• 利用设备方向和运动动力学将传感器数据对齐至地心坐标系，确保无论设备姿态如何，特征提取均保持一致。
• 系统提取三种新特征：沿转弯结束方向的加速度、其与均值的偏差，以及转弯过程中偏航率的偏差。
• 利用这些特征对每位驾驶员的独有转弯风格进行建模，将其作为行为生物特征用于分类。
• 通过在多为驾驶员的标记转弯数据上训练的机器学习模型执行分类。
• 系统评估在不同驾驶员数量和转弯次数下的性能，以衡量可扩展性与准确性。

实验结果

研究问题

• RQ1 攻击者是否能仅通过移动设备在车辆转弯期间采集的零权限IMU数据准确识别驾驶员？
• RQ2 从IMU数据中可提取哪些独特、稳定且可区分的转弯行为特征，用作驾驶员指纹？
• RQ3 驾驶员指纹识别的准确性如何随驾驶员数量和观测转弯次数的变化而变化？
• RQ4 与基于车内数据的现有指纹识别方法相比，Dri-Fi在可行性与攻击面范围方面表现如何？
• RQ5 可采取哪些实际对策来缓解此类基于IMU的隐私威胁？

主要发现

• Dri-Fi在仅使用一次车辆转弯数据的情况下，对12名驾驶员的指纹识别准确率达到74.1%。
• 在8名驾驶员中，单次转弯的准确率为83.5%，在5名驾驶员中达到90.8%。
• 在多次转弯下，准确率显著提升，分别达到12名驾驶员的95.3%、8名驾驶员的95.4%和5名驾驶员的96.6%。
• 随着驾驶员数量增加，系统性能有所下降，但可通过收集多个转弯的数据加以缓解。
• 提取的三个特征——转弯结束方向的加速度、其偏差以及偏航率偏差——在不同驾驶会话中表现出高度区分性与稳定性。
• 与现有方法相比，攻击面显著扩大，因为移动IMU在设备中无处不在，且恶意应用可无需物理接触车辆即可访问。