[论文解读] We Can Track You If You Take the Metro: Tracking Metro Riders Using Accelerometers on Smartphones

Jingyu Hua, Zhenyu Shen+1 more|arXiv (Cornell University)|May 22, 2015

Evacuation and Crowd Dynamics参考文献 7被引用 4

一句话总结

本文展示了恶意软件如何利用智能手机加速度计，通过检测车站之间的独特运动模式，追踪地铁乘客的位置。通过在加速度计数据上应用监督学习与半监督学习，作者在经过六个站点后，实现了92%的准确率来推断地铁站点区间，揭示了城市轨道交通环境中一种隐蔽的隐私威胁。

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.

研究动机与目标

• 探究智能手机加速度计是否可用于在不使用显式定位服务的情况下推断用户地铁行程轨迹。
• 解决从包含步行、驾驶和静止状态的混合传感器数据中提取地铁特异性运动模式的挑战。
• 开发一种可扩展的攻击方法，以减少对每个站点区间大量标注训练数据的需求。
• 评估仅使用移动设备加速度计读数追踪地铁乘客的可行性和准确性。

提出的方法

• 提出一种基础攻击方法，通过信号处理自动从混合加速度计读数中提取与地铁相关的区间，以隔离车站之间的运动模式。
• 采用基于监督学习训练的集成区间分类器，根据提取的宏观特征（如振幅方差和峰值模式）检测并分类站点区间。
• 提出一种半监督学习方法，仅需为少数具有显著运动特征的站点区间提供标注数据，显著降低攻击者的数据收集负担。
• 使用在南京地铁2号线实际采集的现实世界数据训练并验证模型，重点关注列车行驶期间的三轴加速度计读数。
• 通过特征工程识别粗粒度的运动特征签名——如剧烈转换和方向变化——这些特征在每个站点区间中具有独特性。
• 与现有死推算方法进行对比，表明后者在地铁数据上表现不佳，原因在于信噪比低且运动轨迹平滑。

实验结果

研究问题

• RQ1 能否利用智能手机加速度计数据高精度地推断用户在地铁中的站点转换？
• RQ2 当所有站点区间的标注数据均可用时，监督学习在分类站点区间方面的有效性如何？
• RQ3 半监督学习方法是否能显著减少对大量标注训练数据的需求，同时保持高推理准确率？
• RQ4 随着穿越站点数量的增加，地铁追踪的准确率如何变化？
• RQ5 为何传统死推算技术在地铁运动追踪中表现不佳，而相较于步行或驾驶却更不适用？

主要发现

• 所提出的监督学习方法在用户穿越四个站点时，推断地铁行程轨迹的准确率达到89%。
• 当穿越六个站点时，推断准确率提升至92%，表明在较长地铁行程中表现优异。
• 半监督学习变体显著降低了攻击者对标注数据的需求，仅需为少数具有独特运动特征的关键站点区间提供标注。
• 传统死推算方法在地铁数据上失效，原因在于列车运行期间加速度计读数的振幅较低且对噪声高度敏感。
• 该攻击极具隐蔽性，因为加速度计在Android系统上无需特殊权限即可访问，且不会触发任何可见指示（如GPS图标）。
• 本研究证实，由于站间轨道几何结构的差异，地铁运行在加速度计数据中产生独特且可区分的指纹特征。