L­u­m­o­s­ ­S­i­s­t­e­m­i­ ­A­i­r­b­n­b­ ­v­e­y­a­ ­O­t­e­l­ ­O­d­a­n­ı­z­d­a­k­i­ ­G­i­z­l­i­ ­K­a­m­e­r­a­l­a­r­ı­ ­v­e­ ­I­o­T­ ­C­i­h­a­z­l­a­r­ı­n­ı­ ­B­u­l­a­b­i­l­i­r­

Platformun özünde, gizli cihazları tespit etmek ve tanımlamak için havadan şifreli kablosuz paketleri yakalayıp toplayarak çalışır. Daha sonra, kullanıcı alanın çevresinde dolaşırken, tanımlanan her cihazın konumunu kullanıcıya göre tahmin eder.

Lokalizasyon modülü, kendi adına, 802.11 paketlerinde (aka Alınan Sinyal Gücü Göstergesi veya RSSI) bulunan sinyal gücü ölçümlerini görsel atalet odometrisi tarafından belirlenen göreli kullanıcı konumuyla birleştirir (video) cep telefonlarıyla ilgili bilgiler.

Örneğin, Apple’ın iOS cihazlarında konumsal izleme şu şekilde sağlanır: ARKittelefonun kamerası, CPU’su, GPU’su ve hareket sensörlerinden yararlanarak artırılmış gerçeklik deneyimleri oluşturmayı mümkün kılan bir geliştirici API’si.

Araştırmacılar, “Kullanıcı her cihaza yaklaştıkça, bu veri noktalarına karşılık gelen RSSI değerleri artar ve ardından cihazdan uzaklaştıkça azalır” dedi. “Lumos, her bir cihazın konumunu tahmin etmek için RSSI değerlerinin uzamsal ölçümlerinden ve varyasyonlarından yararlanır.”

Dahası, Lumos, kullanıcının yürüme hızından bağımsız olarak IoT cihazlarını yerelleştirebilir. Ayrıca, MAC adreslerine dayalı olarak cihazları tanımlamak için bir makine öğrenimi modeli kullanarak yakalanan 802.11 trafik modellerini analiz eden bir parmak izi modülü de dahil edilmiştir.

Araştırma, Lumos’u altı farklı ortamda çeşitli tür, model ve markalara yayılan 44 farklı IoT cihazında değerlendirerek, gizli cihazları %95 doğrulukla tanımlayabildiğini ve iki saniyede 30 dakika içinde 1,5 m ortalama hatayla bulabildiğini buldu. yatak odası, 1000 sq.ft. apartman.

Bununla birlikte, gelişmiş bir saldırgan, cihazların iletim gücünü keyfi olarak değiştirerek algılama ve yan adım yerelleştirmeden kaçınmak için MAC adresi rastgeleleştirme gibi tekniklerden yararlanabilir.

“Lumos, benzer davranışa sahip en az bir cihaz gördüğü sürece, farklı cihaz markaları ve modelleri arasında potansiyel olarak genelleme yapabilir. eğitim aşaması“dedi araştırmacılar, sistemin profilsiz cihazları nasıl tanımlayabildiğine işaret ederek.