Mensen herkennen via storingen in wifisignalen

Om die te meten, verzenden de aangesloten apparaten zogenaamde Long Training Fields (LTF) in de preambule van elk verzonden datapakket. De ontvanger kan dan het verwachte signaal (de vooraf gedefinieerde LTF) vergelijken met het ontvangen signaal en afwijkingen gebruiken voor foutcorrectie.

De CSI is echter diep geïmplementeerd in de lagen van het transmissieprotocol en is uitsluitend bedoeld om foutcorrectie bij afzonderlijke datapakketten te ondersteunen. Andere toepassingen zijn niet voorzien. Toegang tot die informatie vereist daarom altijd aangepaste firmware, die alleen voor specifieke hardware aangepast is.

Wifi-apparaten wisselen BFI’s onversleuteld uit. Met elke laptop of smartphone is het mogelijk om die gegevensuitwisseling mee te lezen. Strufe en zijn team zijn erin geslaagd om een machine-learning-model zodanig te trainen dat het aan de hand van de BFI-matrix mensen in de omgeving kan herkennen en met behulp van aanvullende informatie zelfs kan identificeren.

In een studie met 197 deelnemers slaagden de onderzoekers erin om personen die hun wifinetwerk passeerden met meer dan 99 procent zekerheid te identificeren.

Het maakte daarbij niet uit of de proefpersonen zelf een wifi-apparaat bij zich hadden. ‘Elke router is in dat opzicht een stille waarnemer, een potentieel bewakingsapparaat’, zegt medewerker Julian Todt.

Iedereen die regelmatig langs een openbare hotspot loopt, kan door de nieuwe methode herkend worden en met aanvullende informatie uiteindelijk ook worden geïdentificeerd. Dat is des te schokkender omdat de onderzoekers geen speciale hardware gebruikten om de onversleutelde beamforming-rapporten mee te lezen.

Ze hadden daarvoor geen toegang tot de router nodig en hoefden hun laptop niet eens aan te melden bij het wifi.

In hun proefopstelling lieten de onderzoekers hun proefpersonen meerdere keren een korte afstand afleggen tussen een wifirouter en vier wifi-apparaten die op het netwerk van de router aangemeld waren.

Ze beperkten de communicatie van de apparaten tot de 6GHz-band, omdat die in dat gebied het minst gebruikt werd en dus ook minder storingen bij hun proeven beloofde.

Met een eenvoudige laptop registreerden de onderzoekers de BFI-rapporten die meerdere keren per seconde automatisch uitgewisseld werden. Dat leverde een BFI-matrix als gegevenspool op.

Die matrix geeft een beeld van de objecten en mensen in de wifiomgeving, tegelijkertijd vastgelegd vanuit de verschillende perspectieven van de aangemelde wifi-apparaten.

De grote hoeveelheid gegevens van een BFI-matrix levert op zich geen persoonsbeschrijvingen op. Maar zelfs de deep-learning van een eenvoudig LSTM-netwerk (Long Short-Term Memory) met slechts 1,3 miljoen parameters leverde een model op dat de metingen van verschillende personen kan onderscheiden.

Uiteindelijk slaagde die eenvoudige configuratie erin om elke deelnemer met een zekerheid van ruim 99 procent te herkennen aan de hand van de opgenomen BFI-matrix.

De onderzoekers kunnen alleen maar gissen naar de kenmerken aan de hand waarvan een persoon herkend wordt. ‘Fysisch gezien vertegenwoordigen de beamformingrapporten de demping en reflectie van radiosignalen. Daarom spelen de lengte van een persoon, zijn proporties, maar ook het dempende effect van zijn lichaamssamenstelling een rol’, vermoedt Strufe. Daar komt nog de beweging in de tijd bij, die het karakteristieke looppatroon van een persoon weergeeft.

De onderzoekers hebben in hun studie proefpersonen in een bepaalde wificonfiguratie veilig herkend. Ze liepen allemaal over hetzelfde pad, heen en weer.

Er werden echter ook afwijkende proeven gedaan: proefpersonen hurkten om hun schoenen te strikken, liepen door een draaihek, droegen een krat drank of een grote rugzak. Toch herkende de AI de personen nog steeds met een hoog slagingspercentage.

Volgens Strufe kan worden aangenomen dat een goed getrainde AI een persoon niet alleen in een specifieke wifi-omgeving herkent aan de hand van zijn individuele kenmerken, maar dat ook in andere wifinetwerken zal kunnen.

Dat zou vergelijkbaar zijn met een AI die een gezicht op verschillende foto’s analyseert en dat vervolgens herkent op andere foto’s op internet of in de stream van een bewakingscamera.

Als je dat gevaar wilt uitsluiten, kun je in theorie gebruikmaken van reflecterende materialen voor radiogolven en bijvoorbeeld kleren kunnen dragen met verschillende ingenaaide reflecterende lagen – bijvoorbeeld van aluminiumfolie.

Hoe grappig dat ook klinkt: tegen spionage door analyse van de beamformingrapporten van een wifinetwerk met behulp van een getraind AI-model zou het dragen van een dagelijks verschillend aluminium hoedje daadwerkelijk helpen.

Het lijkt Strufe praktischer om af te stappen van de openbaar uitgewisselde BFI. ‘Momenteel wordt er gediscussieerd over sensing. Met de transmissiestandaard 802.11bf kan de feedback over de signaalkwaliteit ook aanwijzingen geven over inbrekers of valdetectie. Ik zou het als een vergissing beschouwen om die functie de komende jaren uit te breiden en op te nemen in de WiFi 8-standaard.’

In plaats daarvan moeten de sensorfuncties kritisch worden bekeken en moet de BFI op zijn minst worden versleuteld om die te verbergen voor luisteraars die niet zijn aangemeld bij het wifinetwerk.

In dat verband wijst Strufe erop dat industriële projecten zich ook bezighouden met de introductie van sensorfuncties in verband met de zesde generatie mobiele communicatie (6G). Beide technieken, zowel mobiele communicatie als de alomtegenwoordige wifi’s, zouden zich onafhankelijk van elkaar met dergelijke technieken kunnen ontwikkelen tot bijna allesomvattende bewakingsinfrastructuren.

Beamforminginformatie blijkt niet alleen nuttig voor het optimaliseren van wifi, maar kan ook onbedoeld details prijsgeven over mensen in de omgeving. Dat maakt duidelijk dat draadloze netwerken steeds meer als sensoren kunnen functioneren, met serieuze gevolgen voor privacy. Versleuteling en een kritische blik op toekomstige sensingfuncties zijn daarom geen luxe, maar noodzaak.