Signály, které si zařízení a přístupové body WiFi běžně vyměňují při optimalizaci spojení, mohou nést dostatek informací k rozlišení lidí procházejících sledovaným prostorem. Ukázala to studie týmu z Karlsruhe Institute of Technology (KIT), zveřejněná ve sborníku konference ACM Conference on Computer and Communications Security 2025. Autoři označili svůj postup BFId a zaměřili se na riziko pro soukromí, nikoli na vývoj nového způsobu autentizace osob.
Výzkum pracoval s takzvanou beamforming feedback information neboli BFI. Beamforming je technika, při níž WiFi zařízení s více anténami upravuje směr vysílání tak, aby spojení s konkrétním zařízením bylo účinnější. Připojené zařízení proto odesílá přístupovému bodu zpětnou vazbu o vlastnostech rádiového kanálu. Tato data nepředstavují fotografii člověka. Zachycují však, jak se rádiové vlny v prostoru mění odrazy, útlumem a dalšími vlivy, mezi něž patří i pohyb člověka.
Podstatné je, že BFI se podle autorů přenáší nešifrovaně a lze je pasivně zachytit běžným WiFi rozhraním nastaveným do monitorovacího režimu. Útočník by přitom podle modelu studie nepotřeboval přístupové údaje k dané síti ani upravený firmware zařízení. Dřívější výzkumy WiFi snímání často pracovaly s informacemi o stavu kanálu, označovanými CSI. Ty sice rovněž popisují změny signálu v prostředí, jejich získávání však obvykle vyžaduje specializovanější technické úpravy.
Trénink na známé skupině
V listopadu 2024 autoři zaznamenali průchody 197 dobrovolníků v experimentálním prostoru. Účastníci byli v průměru 23,2 roku staří; 58,9 procenta se označilo za muže a 39,6 procenta za ženy. Kvůli technickým výpadkům se do hlavního vyhodnocení BFI dostalo 161 osob. Každý člověk procházel měřicí oblastí normálním krokem, s batohem, s přepravkou, rychlejším krokem a přes turniket. Záznamy vznikaly ze čtyř různých prostorových uspořádání antén, včetně varianty bez přímé viditelnosti mezi trasou chůze a částí aparatury.
Data následně vyhodnocoval model strojového učení typu LSTM, tedy neuronová síť určená pro časové řady. V základním testu vědci rozdělili záznamy běžné chůze v poměru 80 ku 20 na trénovací a testovací část. Model se tak nejprve učil rozpoznávat signálové vzorce spojované s konkrétními lidmi a poté dostal nové záznamy týchž osob. Přesnost klasifikace BFI dosáhla 99,5 procenta s odchylkou 0,38 procentního bodu. Pro srovnání, při použití CSI ve stejném souboru vyšla přesnost 82,4 procenta.
Výsledek proto neznamená, že WiFi samo o sobě zjistí občanské jméno náhodného kolemjdoucího nebo jej automaticky propojí s databází lidí v jiném prostoru. Studie testovala uzavřenou skupinu předem zaznamenaných účastníků a model vybíral mezi jejich identitami. Navíc se ukázalo, že přenos mezi různými pozorovacími úhly je problematický. Jestliže se model naučil data z jednoho uspořádání antén a měl rozpoznávat lidi ze záznamu jiného uspořádání, přesnost byla většinou velmi nízká; při tréninku z jedné z perspektiv nepřesáhla pět procent.
Při trénování a testování ze stejné perspektivy však systém fungoval spolehlivě i tehdy, když člověk šel s batohem, nesl přepravku, šel rychleji nebo procházel turniketem. Autoři také zkoušeli snižovat četnost zachycených BFI hlášení. Přesnost klesala jen málo, byť sami upozorňují, že v laboratorním uspořádání upravili síťový provoz tak, aby záznamů získali co nejvíce. V běžné síti může být četnost těchto hlášení nižší, a tím i účinnost postupu menší.
Studie má další omezení. Soubor 197 osob je pro tento typ výzkumu rozsáhlý, ale neodpovídá tisícům lidí, které by zahrnoval například velký podnik nebo městský prostor. Záznam navíc vznikal v kontrolovaných podmínkách: dobrovolníci neměli nosit volné oblečení, sukně, šaty ani boty na podpatku, aby oděv nezakrýval pohyb chůze. Autoři připouštějí, že to mohlo schopnost identifikace nadhodnotit, zároveň ale podobnější oblečení mezi účastníky mohlo rozlišování také ztížit. Neověřili ani dlouhodobou stabilitu rozpoznávání, vliv proměnlivého prostředí či rušení dalšími WiFi sítěmi.
Práce Julianа Todta, Felixe Morsbacha a Thorstena Strufeho upozorňuje především na vlastnost stávající bezdrátové komunikace: signálová zpětná vazba může sloužit i jako zdroj informací o prostředí a pohybu lidí, aniž by sledovaná osoba nesla vlastní aktivní zařízení. Výzkumníci navrhují, aby připravovaný standard IEEE 802.11bf pro WiFi snímání zahrnul ochranu soukromí. Šifrování zpětnovazebních dat by podle nich mohlo omezit pasivní odposlech, vyžadovalo by ale změny standardu a mohlo by přinést problémy se slučitelností zařízení.
Zdroj: ScienceDaily
Tento článek byl vytvořen s pomocí umělé inteligence a redakčně zkontrolován.