Обсудим свежие разработки в области Wi-Fi Sensing — в каком направлении движутся эти технологии и какие подводные камни видят специалисты.
Кто вообще этим занимается
Идея использовать радиоволны для распознавания объектов и процессов вокруг — не нова. Еще в 2011 году группа ученых из Университета Юты предложила метод медицинского отслеживания дыхательных функций человека с помощью беспроводных приемопередатчиков. Инженер Нил Патвари, который принимал участие в разработке технологии, лично продемонстрировал её возможности в больничной палате. В 2015 году специалисты из MIT исследовали другие области применения Wi-Fi-сигналов — в частности, для детекции падений. Они разработали систему, которая по характеру отраженных радиоволн определяла положение тела, изменения в походке и пульс. Прототип устройства даже проходил тест-драйв в Овальном кабинете Белого дома.
Сегодня технологию, которая использует Wi-Fi-сигналы для анализа перемещений объектов и жизненных показателей человека, называется Wi-Fi Sensing. Она развивается при поддержке Wi-Fi Alliance и уже находит коммерческое применение. Например, в 2019 году производитель роутеров Linksys запустил сервис Aware — своеобразную систему защиты дома. Маршрутизатор мог засекать движение в помещении и оповещать об этом пользователя. Год спустя исследователи из Ратгерского университета в Нью-Джерси получили патент на технологию поиска подозрительных предметов в багаже с помощью обычных Wi‑Fi‑устройств. Система анализирует отраженные сигналы и определяет форму объекта (с точностью до 95%) и материал, из которого он сделан (до 90%).
Далее посмотрим на несколько свежих исследовательских проектов, которые в будущем могут дать толчок новым коммерческим разработкам.
Новинки биометрической идентификации
В 2024 году группа итальянских исследователей из университета «Сапиенца» представила систему с говорящим названием WhoFi. Она способна идентифицировать человека по уникальным искажениям Wi-Fi-сигнала, которые вызывает тело, — в амплитуде и фазе электромагнитных волн. Но, пожалуй, наиболее перспективной особенностью технологии стала возможность повторной идентификации (re-identification). Используя глубокое обучение, система WhoFi способна определить одного и того же человека в разных местах и в разное время.
На первом этапе WhoFi анализирует данные о состоянии беспроводного канала — Channel State Information (CSI). Они очищаются от шумов с помощью фильтра Хэмпеля — алгоритма обнаружения и удаления выбросов — и линейно нормализуются.
Следующий шаг — модификация данных для повышения устойчивости модели. Во-первых, к амплитуде добавляется гауссовский шум, представляющий реалистичные флуктуации сигнала. Во-вторых, амплитуда увеличивается на случайную величину, имитируя изменения в силе сигнала из-за факторов среды или особенностей устройства. В-третьих, амплитудная последовательность смещается вперед или назад на произвольную величину для учета возможных временных расхождений. Обработанная информация передается глубокой нейросети, которая формирует компактный вектор — цифровой «отпечаток» человека, необходимый для повторной идентификации. Производительность и точность системы оценили с помощью бенчмарка NTU-Fi. Это — набор данных, специально подготовленный для задач Wi-Fi Sensing. WhoFi удалось корректно ре-идентифицировать человека с точностью в 95,5%. Как отмечают авторы исследования, WhoFi может служить вспомогательным механизмом в системах видеонаблюдения — когда нет возможности идентифицировать по другим визуальным признакам.
Похожую работу в начале прошлого года провела группа ученых из Шанхайского и Хубэйского университетов совместно с коллегами из Педагогическогой университета Центрального Китая. Их метод Wi-Fi-идентификации также построен на анализе CSI-данных, собираемых сетевым устройством с модифицированной прошивкой. На этапе предварительной обработки шумы устранялись с помощью низкочастотного фильтра и вейвлет-преобразования. Затем нейросеть выделяла устойчивые паттерны сигнала, и применялся softmax-классификатор: данные последовательно проходили входной и два скрытых слоя признаков, после чего softmax-функция нормализовала выходные значения (в диапазон от 0 до 1). Разработанный учеными метод оказался довольно точным — он определял присутствие человека в помещении с точностью до 99,5%.
Еще один проект в сфере Wi-Fi Sensing представили хорватские исследователи из Загребского университета в феврале. Они разработали метод, определяющий не только наличие людей в помещении, но и их количество. В основу идеи положен показатель уровня принимаемого сигнала — RSSI. Если зафиксировать уровень и параметры Wi-Fi-сигнала в пустой комнате — установить точку отсчета — то можно использовать стандартное отклонение измеряемых показателей RSSI в качестве индикатора. Чтобы посчитать точное количество людей, были использованы методы МО: k-ближайших соседей, деревья решений и случайный лес. Все три алгоритма показали высокую точность, но метод случайного леса определял число людей с точностью до 99%.
Оправданные опасения
Развитие Wi-Fi Sensing закономерно вызывает опасения с точки зрения ИБ и конфиденциальности. Исследователи из Юго-Западного нефтяного университета и Университета электронных наук и технологий Китая опубликовали научную работу, в которой выделили две категории атак на подобные беспроводные системы. Первый тип — активные атаки, когда злоумышленник вмешивается в нормальную работу системы — например, с целью манипулировать CSI и работой глубоких нейросетей, чтобы подделать результаты распознавания. Второй тип — пассивные атаки, подразумевающие прослушку беспроводного канала для сбора данных о системе и пользователях без их ведома.
Кроме того, при повсеместном распространении устройств, поддерживающих подобную технологию, злоумышленники потенциально смогут продавать данные о жителях квартир и домов — когда те находятся вне дома. Тот факт, что устройства способны раскрывать биометрические параметры, только усугубляет ситуацию. Например, специалисты из Шаньдунского и Цзясинского университетов разработали ML-модель, которая практически со 100% вероятностью идентифицирует рост (c погрешностью < 4 см) и вес (погрешность < 4 кг), анализируя данные, собранные с помощью обыкновенных Wi-Fi-устройств. На Hacker News пользователи не сильно сдерживаются в формулировках: «Кто вообще просил, чтобы сеть умела определять частоту дыхания? Что это дает такого, что реально улучшает жизнь людей?».
Компания Xfinity, которая строит экосистему для умного дома и продает IoT-устройства, в этом году представила проект Wi-Fi Motion — услугу для слежения за движением в домах. И в документации к системе прямым текстом сказано, что эти данные могут быть переданы «третьим сторонам» — ими вполне могут быть брокеры данных, продающие персональную информацию рекламодателям. И в то время пока профильные организации вроде Wireless Broadband Alliance предлагают руководства по настройке устройств, в сообществе можно встретить мнение о необходимости более жесткого регулирования — но пока активных шагов в этом направлении не предпринимают.
Дополнительное чтение в нашем блоге на Хабре:
Почему не взлетел Wireless USB, а также карманный хот-спот и другие материалы в подборке о беспроводных технологиях. Наша подборка материалов, посвященных Wi-Fi-технологиям. Например, среди примечательных статей — разбор ситуации, почему стандарт Wireless USB так и не смог заменить привычные проводные интерфейсы. Казалось бы, у технологии было все: поддержка крупных производителей, перспективный рынок. Но низкая скорость и проблемы с практичностью обернулись провалом. Другой материал — компактная «лабораторка» и еще один — о том, как мы совершенствуем Wi-Fi HotSpot.
Визуализация трафика, перспективы 6G и рабочие кейсы: избранное для интернет-провайдеров и операторов связи. Это — подборка материалов о работе провайдеров и дата-центров. Спектр тем довольно широк: от миграций на IPv6 и автоматизации настройки BRAS до мониторинга трафика с помощью СКАТ DPI. Статьи будут интересны сисадминам, сотрудникам провайдеров и операторам ЦОДов.
Открытые инструменты для визуализации сетевого трафика. Показываем свежие решения — например, Akvorado, анализирующий трафик на основе Netflow, IPFIX и sFlow, Xenoeye, заточенный под средние и крупные сети, а также Kubezonnet, который служит для мониторинга трафика между зонами в K8s.