[论文解读] Proximity Inference with Wifi-Colocation during the COVID-19 Pandemic

Mikhail Dmitrienko, Abhishek Singh+2 more|arXiv (Cornell University)|Sep 26, 2020

COVID-19 Digital Contact Tracing参考文献 8被引用 5

一句话总结

本文提出了一种基于WiFi的近距离推断系统，用于在COVID-19大流行期间进行数字接触追踪，利用WiFi扫描特征（皮尔逊相关系数、Jaccard相似度、Das近距离度量）以及Android设备上的热点工作周期，在接入点稀少的环境中保持功能正常。该系统在10英尺距离阈值下实现了0.65的F-score，证明其可行性与基于蓝牙的方法相当。

ABSTRACT

In this work we propose a WiFi colocation methodology for digital contact tracing. The approach works by having a device scan and store nearby access point information to perform proximity inference. We make our approach resilient to different practical scenarios by configuring a device to turn into a hotspot if access points are unavailable, which makes the approach feasible in both dense urban areas and sparse rural places. We compare various shortcomings and advantages of this work over other conventional ways of doing digital contact tracing. Preliminary results indicate the feasibility of our approach for determining proximity between users, which is relevant for improving existing digital contact tracing and exposure notification implementations.

研究动机与目标

• 开发一种隐私保护的、基于WiFi的近距离推断系统，用于大流行期间的数字接触追踪。
• 通过在设备上实施工作周期以使其充当热点，解决农村或接入点稀少环境中的覆盖盲区问题。
• 评估WiFi扫描特征——皮尔逊相关系数、Jaccard相似度和Das近距离度量——作为物理距离代理的可靠性。
• 评估WiFi共置带来的隐私风险，特别是MAC地址暴露和WiFi共置信息熵较低的问题。
• 证明使用有限的真实扫描数据，确定性分类器在近距离检测中的可行性。

提出的方法

• 确定性if/else分类器使用三个特征：来自重叠WiFi接入点扫描的Jaccard相似度、皮尔逊相关系数和Das近距离度量。
• 该分类器将两台设备的特征向量与预设距离阈值下的平均度量进行比较，以预测近距离关系。
• 在Android设备上实现热点工作周期，以在无接入点时仍能实现近距离检测，使用原生Android API。
• 开发了React Native绑定，将热点控制集成到跨平台移动应用中。
• 从WiFi扫描中提取特征向量，包括MAC地址和信号强度，并随时间聚合以计算平均度量。
• 系统以两种模式运行：连接时进行主动WiFi扫描，断开时切换至热点模式，确保持续的近距离推断。

实验结果

研究问题

• RQ1 WiFi扫描特征（皮尔逊相关系数、Jaccard相似度、Das近距离度量）能否可靠地估计设备间的物理距离？
• RQ2 使用这些特征的确定性分类器在不同距离下推断近距离关系的效率如何？
• RQ3 Android设备上的热点工作周期在接入点稀少环境中在多大程度上维持了近距离推断能力？
• RQ4 使用WiFi共置的隐私影响是什么，特别是关于MAC地址暴露和信息熵较低的问题？
• RQ5 该WiFi方法的性能与现有的基于蓝牙或GPS的接触追踪系统相比如何？

主要发现

• 所有三种近距离特征——皮尔逊相关系数、Jaccard相似度和Das近距离度量——随着距离增加而稳定下降，并在约10英尺处趋于平稳。
• 确定性分类器在10英尺距离阈值下的F-score达到0.65，表明其性能中等，与基于蓝牙的系统相当。
• 分类器的F-score随距离阈值线性增加，表明其可扩展用于社交距离指南（6–10英尺）。
• 热点工作周期使系统在无可用接入点的环境中仍能实现近距离推断，扩展了其在农村或稀疏区域的适用性。
• 隐私分析显示，由于使用48位MAC地址以及公共数据库（如wigle.net）的存在，信息熵较低，突显了对暴力破解攻击的脆弱性。
• 尽管数据有限，该确定性分类器的性能与更复杂的模型相当，表明其在真实环境中轻量化部署的潜力。