U-Print: атака на идентификацию пользователей по Wi-Fi MAC-трафику

источник ↗ ·

Система U-Print пассивно извлекает из зашифрованного Wi-Fi MAC-трафика приложения, действия внутри них и идентифицирует пользователей смартфонов с точностью 98.4 % в реальных условиях.

wi-fi-traffic-analysis user-fingerprinting mac-layer open-world-classification temporal-convolutional-network privacy-attack k-means-clustering openmax

privacy

Эта заметка участвует в semantic memory.

AI Summary

🚀 TL;DR U-Print — пассивная атака, которая по зашифрованным 802.11 кадрам определяет приложения, действия внутри них и идентифицирует пользователей смартфонов в открытом мире с точностью 98.4 % (F1 0.983).

📖 Что это такое U-Print — система fingerprinting’а пользователей по MAC-уровню Wi-Fi трафика. Она работает без подключения к роутеру, без пароля сети и без знания MAC-адресов (MAC randomization).

🔑 Ключевые факты

  • Авторы: Yong Huang, Zhibo Dong, Xiaoguang Yang, Dalong Zhang (corresponding), Qingxian Wang, Zhihua Wang (Zhengzhou University).
  • Поддержка: NSFC 62301499, U22A2001, Henan 2025HYTP037.
  • 40 приложений, 12 пользователей, 3 реальные среды (офисы).
  • Закрытый мир: точность приложений и действий ≥96 %.
  • Открытый мир: точность приложений и действий >86 %.
  • Идентификация пользователей: accuracy 98.4 %, F1 0.983, ~16 секунд на инференс.
  • Sliding windows: Ws=30 кадров (приложения), Wa=5 с (действия), Wb=20 (поведенческие сэмплы).
  • Модели: TCN + self-attention + OpenMax (H+1 класс), 5 action-классификаторов.
  • Кластеризация: silhouette coefficient → k-means.
  • Label recorder (Android) для frame-level и burst-level аннотации.
  • Устойчивость: до 15 % packet loss accuracy >0.95; фоновые приложения снижают accuracy на ~3 %.

⚙️ Как это работает / применить

  1. Сниффинг: мониторинг-режим, Wireshark/Aircrack-ng, фильтрация management/control кадров.
  2. Сегментация: γ = 3 кадра/с → traffic traces.
  3. Представление: (t, s, d) — время, размер, направление.
  4. Multi-level features:
    • App: статистические + контекстные в окне Ws=30.
    • Action: 22 признака (таблица II) в окне Wa=5 с.
  5. Классификация:
    • TCN → OpenMax → unknown detection (δ-порог).
    • 5 action-классификаторов по категориям.
  6. Behavior sequence: упрощение повторяющихся меток → sliding window Wb=20.
  7. Профилирование:
    • Silhouette coefficient определяет k.
    • k-means → центроиды профилей.
  8. Идентификация: Hamming distance к ближайшему центроиду.

💡 Вывод и значение U-Print доказывает, что предпочтения приложений и действий пользователей отражаются в MAC-трафике и позволяют строить устойчивые fingerprint’ы даже при MAC randomization. Работа поднимает вопрос о необходимости новых защит (dummy packets, padding, channel hopping) и усиливает осведомлённость о рисках приватности в Wi-Fi сетях.

Мои мысли

graph

Карта связей