MarcoPolo: A Zero-Permission Attack for Location Type Inference from the Magnetic Field using Mobile Devices
تقدم الورقة البحثية "MarcoPolo"، وهو هجوم بدون أذونات يستفيد من بيانات مقياس المغناطيسية المدمجة وتصنيف السلاسل الزمنية لاستنتاج أنواع المواقع خشنة الحبيبات من الأجهزة المحمولة، محققاً دقة تقارب 40% في تقييمات المواقع والأجهزة المختلفة دون الحاجة إلى أذونات المستخدم.
تخيل أن هاتفك الذكي يشبه أنفاً شديد الحساسية. عادةً، تطلب منك التطبيقات الإذن لـ "شم" موقعك باستخدام نظام تحديد المواقع العالمي (GPS)، مثل قولها: "هل يمكنني التحقق من عنوانك؟". يمكنك قول لا، ويتوقف التطبيق عن الشم.
لكن هذه الورقة البحثية، التي تحمل عنوان MarcoPolo، تكشف عن خدعة ماكرة: يمكن للتطبيقات أن تعرف نوع المكان الذي تتواجد فيه (مثل مترو الأنفاق، أو حديقة، أو مقهى) دون أن تطلب الإذن منك أبداً. يفعلون ذلك باستخدام مستشعر يسمى المقياس المغناطيسي (magnetometer)، وهو موجود بالفعل داخل هاتفك ولا يحتاج إلى "مفتاح" لفتحه.
إليك تفصيل كيفية عمل ذلك، باستخدام تشبيهات بسيطة:
1. البصمة غير المرئية
كل مكان على الأرض له "بصمة مغناطيسية" فريدة.
مغناطيس الأرض: فكر في الأرض كأنها مغناطيس عملاق.
التشويه: عندما تدخل مبنى مصنوعاً من الفولاذ، أو تقف بالقرب من قطار مترو، أو تمشي تحت جسر، تقوم تلك الأجسام المعدنية بليّ وتشويه المجال المغناطيسي للأرض، تماماً كما يشوه الصخر تدفق المياه في الجدول.
النتيجة: "المقهى" له تذبذب مغناطيسي محدد. و"محطة القطار" لها تذبذب مختلف وأكثر فوضوية بسبب القطارات المتحركة. أما "الحديقة" فهي هادئة نسبياً.
2. سرقة بدون إذن
عادةً، لمعرفة مكانك، يحتاج التطبيق إلى نظام الـ GPS الخاص بك. لكن المقياس المغناطيسي يشبه "باباً خلفياً" مفتوحاً دائماً.
الهجوم: يمكن للتطبيق تسجيل هذه التذبذبات المغناطيسية بصمت أثناء تجولك. لا يحتاج التطبيق لمعرفة عنوان شارعك بدقة؛ هو يحتاج فقط لمعرفة "نمط" الضجيج المغناطيسي.
الهدف: أراد الباحثون معرفة ما إذا كان بإمكانهم تخمين نوع المكان (مثلاً: "هذا هو صالة ألعاب رياضية") بدلاً من العنوان الدقيق (مثلاً: "هذا هو شارع الرئيسي رقم 123").
3. أربعة محققين (الأساليب)
لحل هذا اللغز، جرب الباحثون أربعة "محققين" (خوارزميات) لتحليل البيانات المغناطيسية:
المُقلد (مطابقة الإشارة الكاملة): يحاول هذا المحقق مطابقة التسجيل المغناطيسي بالكامل من اللحظة الحالية مع مكتبة من التسجيلات السابقة. الأمر يشبه محاولة مطابقة أغنية كاملة نوتة بنوتة. إنه دقيق جداً ويفشل بسهولة عند حدوث أي اختلاف بسيط.
الإحصائي (الأوصاف الإحصائية): يتجاهل هذا المحقق الشكل الدقيق للموجة وينظر فقط إلى الأرقام: "هل متوسط القوة المغناطيسية مرتفع؟ هل هي متذبذبة بشكل حاد؟". الأمر يشبه الحكم على الحساء من خلال درجة حرارته وملوحته بدلاً من تذوق كل ملعقة منه.
المتعلم بالذكاء الاصطناعي (استخراج الميزات الآلي): هذه شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) تحاول تعليم نفسها ما يجب أن تبحث عنه دون أن يتم إخبارها بذلك. الأمر يشبه إظهار آلاف الصور للقطط لطفل حتى يتعلم كيف يميز القطة بمفرده.
راصد الأنماط (الـ Shapelets): هذا هو نجم العرض. بدلاً من النظر إلى التسجيل بالكامل، يبحث هذا المحقق عن "قصاصات" أو "أحداث" صغيرة متكررة وفريدة لكل مكان.
التشبيه: تخيل أن الـ "Shapelet" هو صوت محدد في أغنية. إذا سمعت صوت صرير مكابح القطار، فأنت تعلم أنك في محطة قطار. إذا سمعت صوت اصطدام الأطباق، فأنت في مقهى. طريقة الـ "Shapelet" تجد هذه "الأصوات" المحددة في البيانات المغناطيسية.
4. الاختبار الكبير: الدراسة في "الواقع"
خرج الباحثون إلى العالم الحقيقي (دراسة "الواقع") لاختبار هذا.
الإعداد: قاموا بجمع بيانات لمدة 91 ساعة عبر مدينة كبيرة.
المواقع: زاروا 10 أنواع من الأماكن: صالات الألعاب الرياضية، مغاسل الملابس، الحدائق، الجسور، المقاهي، القاعات، القطارات، محطات المترو، مواقف السيارات، ومواقف الحافلات.
الأجهزة: استخدموا 5 هواتف مختلفة (من نظامي Android و iPhone) للتأكد من أن هذه الخدعة تعمل على أي جهاز.
5. النتائج: هل يمكنهم التخمين؟
اختبر الباحثون النظام في سيناريوهين مخيفين:
اختبار "المكان الجديد": قاموا بتدريب النظام على 10 مقاهي، ثم طلبوا منه تخمين نوع المقهى رقم 11 الذي لم يره من قبل.
اختبار "الهاتف الجديد": قاموا بتدريب النظام على 4 هواتف، ثم طلبوا منه تخمين الموقع باستخدام بيانات من الهاتف الخامس الذي لم يره من قبل.
النتيجة:
إذا خمنت بشكل عشوائي، فستكون مصيباً بنسبة 16.7% تقريباً (بما أن هناك 10 فئات).
طريقة الـ "Shapelet" نجحت في التخمين بنسبة 40% تقريباً.
عندما دمجوا بين "الإحصائي" و"راصد الأنماط"، حصلوا على نتائج أفضل.
لماذا يجب أن تهتم؟
هذا تحذير للخصوصية.
الخطر: حتى لو أغلقت نظام الـ GPS وقلت للتطبيقات "لا" للوصول إلى الموقع، يمكن لتطبيق خبيث أن يستمع لـ "الأنف المغناطيسي" لهاتفك. يمكنه معرفة أنك في صالة ألعاب رياضية (ربما تمارس الرياضة)، أو في كنيسة (ربما تصلي)، أو في تجمع سياسي.
النطاق: لا يحتاج التطبيق لمعرفة عنوانك الدقيق لبناء ملف شخصي عن عاداتك. يحتاج فقط لمعرفة أنك تقضي صباحاتك في "مقهى" وأمسياتك في "صالة ألعاب رياضية".
باخت_صار: هاتفك يحتوي على مستشعر سري يمكنه إخبارك أين أنت من خلال "الرائحة المغناطيسية" للغرفة. لقد أثبت الباحثون أنه يمكن للتطبيقات استخدام هذا لتخمين نوع موقعك دون علمك، مما يحول مستشعراً غير ضار إلى تسريب للخصوصية.
فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "MarcoPolo: هجوم بدون أذونات لاستنتاج نوع الموقع باستخدام المجال المغناطيسي عبر الأجهزة المحمولة."
1. بيان المشكلة
تحمي أنظمة تشغيل الهواتف المحمولة (Android و iOS) بيانات المستخدم الحساسة، مثل الموقع الجغرافي الدقيق (GPS)، من خلال نموذج قائم على الأذونات؛ حيث يجب على المستخدمين منح الإذن صراحةً للتطبيقات للوصول إلى خدمات الموقع. ومع ذلك، تجادل هذه الورقة بأن استنتاج الموقع واسع النطاق (تحديد نوع المكان الذي يتواجد فيه المستخدم، مثل مترو الأنفاق مقابل المنتزه) لا يزال ممكناً دون أي أذونات من المستخدم.
يقترح المؤلفون هجوماً بدون أذونات (zero-permission attack) يستغل المقياس المغناطيسي (magnetometer)، وهو مستشعر موجود في معظم الهواتف الذكية ولا يتطلب إذن المستخدم للوصول إليه. الفرضية الأساسية هي أن البيئات المختلفة تمتلك "بصمات مغناطيسية" فريدة ناتجة عن المواد الهيكلية (العناصر المغناطيسية الحديدية في المباني) والأحداث الديناميكية (القطارات المتحركة، السيارات، السلالم المتحركة). ومن خلال تحليل هذه البصمات، يمكن للمهاجم استنتاج نوع موقع المستخدم، مما قد يكشف عن روتينه، واهتماماته، وأماكن هامة دون علم المستخدم.
2. المنهجية
تقترح الدراسة إطار عمل لتصنيف بيانات السلاسل الزمنية للمجال المغناطيسي إلى فئات محددة للمواقع. تتضمن المنهجية جمع البيانات، واستخراج الميزات، والتصنيف باستخدام أربع تقنيات متميزة.
أ. جمع البيانات (دراسة ميدانية)
مجموعة البيانات: جمع المؤلفون 91 ساعة من قراءات المجال المغناطيسي عبر منطقة حضرية كبرى.
النطاق: تم جمع البيانات من 110 مواقع متميزة تمثل 10 أنواع من المواقع:
داخلي: صالات رياضية، مغاسل ملابس، قاعات، مقاهي.
خارجي: منتزهات، جسور.
نقل: محطات قطارات بعيدة المدى، مترو أنفاق، مواقف حافلات، مواقف سيارات.
الأجهزة: تم التقاط القراءات باستخدام 5 هواتف ذكية مختلفة من الطرازات التجارية المتاحة (مزيج من Android و iOS) بمعدل أخذ عينات قدره 1 هرتز لمدة 10 دقائق لكل موقع.
البروتوكول: سار المتطوعون بشكل طبيعي حول المواقع لمحاكاة الاستخدام في العالم الحقيقي، مما ضمن التقاط كل من البصمات الهيكلية الثابتة والأحداث الديناميكية.
ب. تقنيات التصنيف
تقيم الورقة أربع طرق لتصنيف السلاسل الزمنية لاستنتاج أنواع المواقع من بيانات المقياس المغناطيسي الخام:
مطابقة الإشارة الكاملة (Full Signal Matching):
تقارن إشارات الاختبار مع جميع إشارات التدريب باستخدام مقاييس المسافة.
المقاييس المختبرة: التواء الوقت الديناميكي (DTW)، المسافة الإقليدية، مسافة جيب التمام، ومسافة بهاتاشاريا (Bhattacharyya).
القصور: مكلفة حوسبياً وحساسة للضوضاء/الاختلافات.
الموصِّفات الإحصائية (Statistical Descriptors):
تستخرج ميزات تمثيلية من السلسلة الزمنية (سواء في النطاق الزمني أو الترددي).
تشمل الميزات: الوسيط، السعة، طاقة الإشارة، مقدار التردد الطبيعي/التردد، المركز الطيفي، والقدرة القصوى.
الهدف: التعلم للتمييز بين المدخلات بدلاً من تصنيفها إلى فئات ثابتة في البداية، مع تحسين عملية التشابه.
تحليل الأشكال المميزة (Shapelets Analysis):
المفهوم الجوهري: تحديد "الأشكال المميزة" (shapelets) - وهي سلاسل فرعية قصيرة وتمييزية داخل السلسلة الزمنية تكون شديدة القدرة على التنبؤ بفئة معينة.
المنطق: يتوافق الشكل المميز مع "حدث" معين (مثل مرور قطار) يوجد في 90% على الأقل من الملاحظات لنوع موقع معين.
الابتكار: تطبق الطريقة تحليل الأشكال المميزة في كل من النطاق الزمني والنطاق الترددي (باستخدام معامل الارتباط العام). وهي تعامل مدة الحدث كميزة تمييزية (على سبيل المثال، حدث القطار بعيد المدى أطول من حدث المترو).
ج. معايير التقييم
لاختبار قوة وقابلية تعميم الهجوم، استخدم المؤلفون ثلاث سيناريوهات تقييم:
جميع الأماكن، جميع الأجهزة: تقاطع التحقق القياسي (تقسيم 70/30) بافتراض أن النموذج قد رأى الجهاز والموقع المحدد من قبل.
ترك مكان واحد خارج التدريب (Leave-a-Place-Out): يتم تدريب النموذج على 10 مواقع من نوع معين واختباره على الموقع الحادي عشر (غير المرئي) من نفس النوع. هذا يختبر ما إذا كان النموذج يتعلم النوع بدلاً من حفظ خريطة محددة.
ترك جهاز واحد خارج التدريب (Leave-a-Device-Out): يتم تدريب النموذج على بيانات من 4 أجهزة واختباره على الجهاز الخامس (غير المرئي). هذا يختبر المتانة ضد الاختلافات في الأجهزة وضوضاء المستشعرات.
3. النتائج الرئيسية
كممت الدراسة الأداء مقابل خط أساس عشوائي يبلغ حوالي 16.7% (1/6 فئات).
أفضل طريقة أداءً: تفوقت طريقة الأشكال المميزة (Shapelets) باستمرار على الطرق الأخرى، خاصة عند دمجها مع مصنفات الغابات العشوائية (RF) أو XGB.
دقة "ترك مكان واحد خارج التدريب":
الأشكال المميزة: حققت دقة بنسبة 40.5%.
الموصِّفات الإحصائية: حققت دقة بنسبة ~39.5% (مع RF/XGB).
مطابقة الإشارة الكاملة: أدت أداءً ضعيفاً (~18.7% مع DTW)، مما يؤكد أن مطابقة الإشارة الخام حساسة جداً للضوضاء البيئية.
دقة "ترك جهاز واحد خارج التدريب":
الأشكال المميزة: حققت دقة بنسبة 39.5%.
الموصِّفات الإحصائية: حققت دقة بنسبة ~30%.
النهج المدمج: أدى الجمع بين الأشكال المميزة والموصِّفات الإحصائية إلى تحسين الدقة بنسبة تقارب 7% عن أفضل طريقة منفردة، مما يشير إلى أن الطريقتين تستخرجان معلومات متكاملة (الأشكال المميزة تلتقط الأنماط/الأحداث الزمنية، بينما تلتقط الموصِّفات الإحصائية التوزيع العام).
مصفوفات الارتباك (Confusion Matrices): أظهر تحليل المصفوفات أن بعض أنواع المواقع (مثل المترو والقطارات) كان من الصعب التمييز بينها بسبب تشابه الأحداث المغناطيسية، بينما تم تصنيف البيئات المتميزة (مثل الصالات الرياضية مقابل المنتزهات) بثقة أعلى.
4. المساهمات الرئيسية
إثبات هجوم بدون أذونات: تثبت الورقة أن استنتاج نوع الموقع أمر ممكن باستخدام المقياس المغناطيسي فقط، وهو مستشعر لا يتطلب أذونات من المستخدم في أنظمة تشغيل الهواتف الحديثة.
منهجية مبتكرة (الأشكال المميزة): يقدم المؤلفون استخدام الأشكال المميزة (Shapelets) لتحليل المجال المغناطيسي، وتأطير استنتاج الموقع كمسألة اكتشاف أحداث بدلاً من مسألة رسم خرائط إحداثيات دقيقة. هذا يقلل من الحاجة إلى مسح شامل لكل موقع على حدة.
مجموعة بيانات شاملة: إنشاء مجموعة بيانات واسعة النطاق ومصنفة (91 ساعة، 110 مواقع، 10 فئات، 5 أجهزة) تم جمعها في بيئات واقعية، لتكون بمثابة مرجع للأبحاث المستقبلية.
تحليل القابلية للتعميم: من خلال إظهار النجاح في سيناريوهات "ترك مكان واحد خارج التدريب" و"ترك جهاز واحد خارج التدريب"، يوضح المؤلفون أن الهجوم يعمل حتى مع المواقع الجديدة غير الممسوحة والمواقع غير المدرجة، ومع الأجهزة الجديدة وغير المرئية.
5. الأهمية والآثار المترتبة
تهديد الخصوصية: تسلط الدراسة الضوء على ثغرة أمنية كبيرة في الخصوصية. فحتى لو رفض المستخدم أذونات الموقع، يمكن للتطبيقات استنتاج بيئته العامة (مثل "المستخدم في صالة رياضية" أو "المستخدم في قطار") بدقة تصل إلى ~40%. وهذا يسمح بإعادة بناء روتين المستخدم وتوصيف سلوكه.
قصور نماذج الأذونات: تتحدى الدراسة فعالية نماذج الأمن القائمة على الأذونات، حيث تُظهر أن المستشعرات "غير الحساسة" يمكن تجميعها للكشف عن معلومات حساسة.
الدفاعات المستقبلية: تشير النتائج إلى أن أنظمة التشغيل قد تحتاج إلى إعادة النظر في سياسات الوصول إلى المستشعرات، مثل تقييد الوصول إلى المقياس المغناطيسي أو إدخال الضوضاء/العشوائية للتطبيقات التي تعمل في الخلفية.
الجدوى: الهجوم فعال حوسبياً (بمجرد استخراج الأشكال المميزة، يصبح التصنيف خفيفاً)، ويتطلب تخزيناً ضئيلاً (~50 كيلوبايت للميزات)، مما يجعله عملياً للنشر في التطبيقات الخبيثة.
في الختام، يثبت مشروع MarcoPolo أن المجال المغناطيسي هو قناة جانبية قوية وغير محمية كفاية لاستنتاج الموقع، قادرة على تجاوز ضوابط الخصوصية القياسية في أنظمة التشغيل للكشف عن نوع موقع المستخدم وسلوكه بشكل عام.