Wi-Fi od dawna nie służy już wyłącznie do przesyłania danych. Fale radiowe wykorzystywane przez sieci bezprzewodowe nieustannie oddziałują z otoczeniem – odbijają się od ścian, mebli i znajdujących się w pomieszczeniu osób. Analizując te sygnały, można zdobyć informacje o ruchu, położeniu, a nawet charakterystycznym sposobie poruszania się człowieka.

Autor: 11 min czytania

Najnowsze badania zespołu z Karlsruhe Institute of Technology (KIT) pokazują, że problem może być poważniejszy, niż sugerowały wcześniejsze eksperymenty. Opracowana przez badaczy metoda BFId pozwala wykorzystać informacje zbierane przez nowoczesne urządzenia Wi-Fi do rozpoznawania konkretnych osób. W kontrolowanym eksperymencie system osiągnął skuteczność na poziomie 99,5 %.

Nie oznacza to jednak, że każdy domowy router potrafi dziś „patrzeć przez ścianę” i bezbłędnie rozpoznać sąsiada. Rzeczywiste zagrożenie jest bardziej techniczne – i właśnie dlatego interesujące z punktu widzenia cyberbezpieczeństwa.

Wi-Fi zaczyna działać jak czujnik

Podczas transmisji radiowej sygnał Wi-Fi nie porusza się po idealnie prostej drodze. Fale odbijają się od różnych powierzchni, są pochłaniane i rozpraszane przez znajdujące się na ich drodze obiekty. Człowiek przemieszczający się w pomieszczeniu powoduje więc niewielkie, ale możliwe do zmierzenia zmiany właściwości kanału radiowego.

Tradycyjne badania wykorzystywały do tego między innymi Channel State Information (CSI). Informacje te opisują charakterystykę kanału radiowego, między innymi zmiany amplitudy i fazy poszczególnych podnośnych sygnału. Analiza kolejnych próbek CSI może pozwolić wykryć ruch, określić położenie człowieka, a w bardziej zaawansowanych zastosowaniach nawet rozpoznawać wykonywane przez niego czynności.

Badacze z KIT wykorzystali jednak inną warstwę informacji – Beamforming Feedback Information (BFI).

Beamforming zostawia więcej informacji, niż mogłoby się wydawać

Beamforming pojawił się w standardzie Wi-Fi 5 (802.11ac) i ma bardzo praktyczne zastosowanie. Router może dzięki niemu skuteczniej kierować energię radiową w stronę konkretnego klienta, poprawiając jakość i wydajność połączenia.

Aby było to możliwe, urządzenia klienckie przekazują punktowi dostępowemu informacje opisujące charakterystykę kanału radiowego. Są one skompresowaną reprezentacją właściwości sygnału i mogą zawierać informacje o tym, w jaki sposób fale radiowe rozchodzą się w danym otoczeniu.

I właśnie tutaj pojawia się problem z perspektywy prywatności. Według badaczy informacje BFI mogą być dostępne dla pasywnego obserwatora bez konieczności przejmowania sieci Wi-Fi. Nie trzeba więc znać hasła do routera ani infekować urządzenia ofiary. Wystarczy możliwość odbierania odpowiednich transmisji radiowych i późniejszego przetwarzania zebranych danych.

Człowiek zostawia w Wi-Fi swój behawioralny wzorzec ruchu

Najciekawszym elementem badania jest sposób identyfikacji osób. BFId nie analizuje twarzy, głosu ani urządzenia należącego do użytkownika. Model bada zmiany w sygnale radiowym wywoływane przez ruch człowieka. Szczególne znaczenie ma tutaj sposób chodzenia – długość kroku, tempo, ruch rąk i nóg czy charakterystyczne zmiany pozycji ciała wpływają na odbicia fal radiowych. W efekcie powstaje coś w rodzaju radiowego profilu użytkownika.

Model uczenia maszynowego może następnie porównać nowo zebrany materiał ze zgomadzonymi wcześniej próbkami i określić, która z osób najprawdopodobniej znajduje się w „obserwowanym” obszarze. Badacze podkreślają przy tym, że system nie identyfikuje magicznie dowolnej osoby napotkanej po raz pierwszy. Aby rozpoznawać konkretnych ludzi, model musi wcześniej otrzymać dane treningowe dotyczące tych osób.

197 osób w eksperymencie

Do oceny BFId badacze przygotowali zbiór danych obejmujący nagrania Wi-Fi 197 osób. Uczestnicy wykonywali wielokrotne przejścia w przygotowanym środowisku, a eksperyment obejmował różne style chodzenia i perspektywy obserwacji.

W głównym eksperymencie model został wytrenowany na części próbek, a następnie sprawdzony na danych, których wcześniej nie widział. Dla normalnego chodzenia system osiągnął 99,5% ± 0,38% dokładności w rozpoznawaniu osób. Co istotne, badacze wykazali również, że BFI może być skuteczniejsze od podejść wykorzystujących CSI, szczególnie przy większej liczbie rozpoznawanych osób.

To właśnie wynik na poziomie 99,5% przyciągnął największą uwagę badaczy, ale jego interpretacja wymaga ostrożności. Jest to rezultat uzyskany w kontrolowanym eksperymencie, a nie dowód na to, że cyberprzestępca może ustawić router pod ścianą i z niemal stuprocentową skutecznością rozpoznawać wszystkich przechodzących ludzi. Może to być też klasyczny błąd przetrenowania modelu na ciągłych tych samych danych.

Co ze ścianami?

W tym miejscu warto oddzielić dwie kwestie, które często są ze sobą mieszane. Samo wykorzystanie Wi-Fi do wykrywania ludzi za przeszkodami nie jest nową techniką. Już wcześniejsze badania pokazywały, że odpowiednio analizowane odbicia fal radiowych mogą pozwolić określić obecność, położenie, a nawet ruch osób znajdujących się za ścianą. W 2013 roku badacze z MIT pokazali możliwość wykorzystania Wi-Fi do wykrywania jednostek w zamkniętych pomieszczeniach i rozpoznawania prostych gestów.

Nowsze rozwiązania rozwijają tę koncepcję, wykorzystując coraz większą ilość informacji dostępnych w nowoczesnych standardach Wi-Fi. W przypadku BFId głównym celem nie było jednak stworzenie „kamery Wi-Fi”, lecz sprawdzenie, czy informacje BFI mogą zostać wykorzystane do identyfikacji konkretnej osoby.

To ważne rozróżnienie. System nie generuje obrazu człowieka w taki sposób, jak robi to kamera. Zamiast tego algorytm analizuje matematyczne zmiany sygnału radiowego i na ich podstawie wyciąga wnioski dotyczące osoby znajdującej się w jego zasięgu.

Atakujący nie musi być podłączony do sieci

Jednym z najbardziej interesujących aspektów badania jest model zagrożenia. Klasyczne ataki na sieci Wi-Fi wymagają zazwyczaj uzyskania dostępu do transmisji, przełamania zabezpieczeń lub wykorzystania podatności w punkcie dostępowym. W przypadku BFI sytuacja może wyglądać inaczej.

Informacje wykorzystywane przez BFId są elementem mechanizmu beamformingu i mogą być przechwytywane pasywnie. Badacze wskazują więc, że potencjalny przeciwnik nie musi posiadać hasła do sieci ani modyfikować infrastruktury Wi-Fi. Wystarczy odpowiedni odbiornik oraz oprogramowanie umożliwiające rejestrowanie i analizowanie danych radiowych.

Zmienia to sposób postrzegania powierzchni ataku. Problem nie dotyczy już wyłącznie bezpieczeństwa samej sieci, ale również prywatności informacji emitowanych w środowisku radiowym.

Największym problemem jest prywatność

Z punktu widzenia bezpieczeństwa najważniejsze nie jest nawet to, czy ktoś może „zobaczyć” człowieka przez ścianę.

Znacznie ciekawszy jest fakt, że infrastruktura, która została zaprojektowana do komunikacji, może jednocześnie dostarczać danych umożliwiających wnioskowanie o zachowaniu ludzi znajdujących się w jej pobliżu.

W przyszłości takie mechanizmy mogą być wykorzystywane do monitorowania obecności pracowników, śledzenia osób w budynkach, wykrywania określonych zachowań czy budowania profili użytkowników. W połączeniu z innymi źródłami informacji potencjalny obserwator może uzyskać znacznie bardziej szczegółowy obraz aktywności konkretnej osoby.

Problem staje się jeszcze poważniejszy w miejscach takich jak biura, hotele, centra handlowe czy inteligentne budynki, gdzie wiele urządzeń Wi-Fi działa jednocześnie.

Czy można się przed tym zabezpieczyć?

To jeden z trudniejszych aspektów całej sytuacji. Wyłączenie własnego Wi-Fi niekoniecznie rozwiązuje problem. Jeżeli w danym miejscu działają inne sieci bezprzewodowe, fale radiowe nadal będą przechodziły przez otoczenie i oddziaływały z poruszającymi się osobami. Sam fakt, że telefon lub laptop użytkownika nie korzysta z Wi-Fi, nie oznacza automatycznie, że jego obecność nie wpływa na sygnały radiowe innych urządzeń.

Jednym z rozważanych sposobów ograniczenia zagrożenia byłoby zabezpieczenie lub szyfrowanie informacji BFI. Jest to jednak znacznie bardziej skomplikowane niż aktualizacja pojedynczego routera, ponieważ wymaga zmian na poziomie standardów oraz kompatybilności urządzeń.

Ograniczenie częstotliwości generowania takich informacji również nie jest idealnym rozwiązaniem. Zmniejszenie liczby próbek może utrudnić analizę, ale jednocześnie negatywnie wpływać na działanie mechanizmów beamformingu i wydajność sieci. Badania pokazują, że proste ograniczenie częstotliwości BFI niekoniecznie eliminuje ryzyko.

Wi-Fi sensing dopiero się rozwija

Badania KIT pojawiają się w momencie, gdy technologie wykorzystujące Wi-Fi jako czujnik rozwijają się bardzo szybko.

Standardy nowoczesnych sieci bezprzewodowych dostarczają coraz większej ilości informacji o środowisku, a rozwój uczenia maszynowego pozwala wykorzystać te dane do coraz bardziej zaawansowanych zadań. W przeszłości chodziło głównie o poprawę jakości transmisji. Dziś te same dane mogą być używane do lokalizacji, wykrywania aktywności czy rozpoznawania ludzi.

Z perspektywy bezpieczeństwa oznacza to konieczność traktowania Wi-Fi nie tylko jako medium komunikacyjnego, ale również jako potencjalnego sensora środowiskowego.

Podsumowanie

Badanie BFId pokazuje, że współczesna sieć Wi-Fi może ujawniać znacznie więcej informacji, niż wynikałoby to z samej treści przesyłanych danych.

Wykorzystując Beamforming Feedback Information, badacze z KIT byli w stanie stworzyć model rozpoznający osoby na podstawie charakterystyki ich ruchu i zmian powodowanych przez ciało w propagacji fal radiowych. W kontrolowanym eksperymencie obejmującym 197 osób uzyskano aż 99,5% dokładności.

Nie oznacza to jeszcze, że każdy router jest ukrytą kamerą, a cyberprzestępca może bez przygotowania obserwować mieszkańców sąsiedniego budynku. Pokazuje jednak coś znacznie ważniejszego: dane wykorzystywane do optymalizacji transmisji mogą jednocześnie stać się źródłem informacji o osobach znajdujących się w zasięgu sieci.

Wraz z rozwojem Wi-Fi sensing granica pomiędzy siecią komunikacyjną a systemem obserwacyjnym będzie coraz mniej wyraźna. Dla producentów urządzeń i twórców kolejnych standardów oznacza to konieczność uwzględniania prywatności już na etapie projektowania mechanizmów odpowiedzialnych za zbieranie i przekazywanie informacji o kanale radiowym.