💻 computer science

RogueRover: Autonomous Rogue Device Localization for Incident Response

RogueRover ist ein infrastrukturfreies System, das es einem vierbeinigen Roboter ermöglicht, unbefugte drahtlose Geräte autonom und mit hoher Genauigkeit unter Verwendung ausschließlich standardmäßiger 802.11-RSSI-Messungen sowie ohne vorherige Standortkalibrierung zu erkennen und physisch zu lokalisieren, wodurch kritische Engpässe in der cyber-physischen Vorfallreaktion überwunden werden.

Ursprüngliche Autoren: Priyanka Prakash Surve, Asaf Shabtai, Yuval Elovici

Veröffentlicht 2026-06-23

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Priyanka Prakash Surve, Asaf Shabtai, Yuval Elovici

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein großes, belebtes Bürogebäude vor, in dem das Sicherheitsteam weiß, dass sich ein „Spion“ einen geheimen, unbefugten WLAN-Hotspot irgendwo im Gebäude eingerichtet hat. Sie wissen, dass der Spion da ist, weil ihre Netzwerksoftware ein seltsames Signal gemeldet hat, aber sie haben keine Ahnung, wo der Spion sich versteckt.

Normalerweise erfordert das Aufspüren dieses Spions ein Team von Experten mit teurer, spezialisierter Ausrüstung, die jeden Zentimeter der Funkwellen im Gebäude kartieren müssen, oder man muss einen menschlichen Wachmann mit einem Signaldetektor durch das Gebäude schicken, bis er ihn findet. Beide Methoden sind langsam, teuer oder erfordern, dass das Gebäude vorab gescannt und kalibriert wurde.

Hier kommt „RogueRover“.

Die Forscher der Ben Gurion University haben ein System entwickelt, das einen einzelnen, handelsüblichen Roboterhund (einen Quadrupeden) nutzt, um dieses Problem zu lösen. So funktioniert es, unterteilt in einfache Konzepte:

1. Der Roboter ist der „Spürhund“

Betrachten Sie den Roboter nicht als hochtechnologischen Spion, sondern als einen sehr disziplinierten Hund an der Leine.

Die Karte: Das Sicherheitsteam gibt dem Roboter eine digitale Karte des Gebäudes (wie einen Grundriss).
Die Patrouille: Der Robot läuft eine vorgeplante Route ab und hält an 39 spezifischen Stellen (Wegpunkten) entlang des Weges an.
Das Schnüffeln: An jeder Station hält der Roboter für 10 Sekunden inne. Er benötigt keine speziellen Sensoren; er nutzt einfach eine Standard-WLAN-Karte (wie die in Ihrem Laptop), um alle WLAN-Signale in der Luft zu „erschnüffeln“. Er zeichnet die Signalstärke und den exakten Standort auf.

2. Die „Keine-Karte“-Herausforderung

Der schwierigste Teil dieser Arbeit ist, dass der Roboter null Vorwissen hat.

Er weiß nicht, wie stark das Signal des Spions ist.
Er weiß nicht, ob Wände das Signal blockieren.
Er verfügt über keine fertige Karte darüber, wie Signale normalerweise verlaufen.

Normalerweise müsste man für das Auffinden einer Signalquelle ohne diese Informationen komplexe Mathematik verwenden, die oft scheitert. Die Forscher testeten dies, indem sie 6 gefälschte „rogue“ Geräte (wie Telefone, die als Hotspots fungieren) an verschiedenen Stellen im Gebäude aufstellten: in offenen Fluren, hinter Glaswänden und in Räumen mit Trockenbauwänden.

3. Die „Taschenlampen“-Analogie zur Lokalisierung

Sob nachdem der Roboter seine Patrouille beendet hat, werden die Daten zur Analyse an einen Computer gesendet. Der Computer versucht zu erraten, wo sich das Rogue-Gerät befindet, basierend auf den Messungen der Signalstärke.

Die Arbeit fand heraus, dass die effektivste Methode überraschend einfach war, ähnlich einem gewichteten Durchschnitt:

Stellen Sie sich vor, der Roboter hält eine Taschenlampe. Je näher er dem Rogue-Gerät kommt, desto heller ist das Licht (stärkeres Signal).
Der Computer betrachtet alle Stellen, an denen der Roboter angehalten hat. Er ignoriert die Stellen, an denen das Signal sehr schwach war (zu weit entfernt).
Er berechnet dann den „Schwerpunkt“ der starken Signale. Wenn der Roboter an drei Stellen in der Nähe der Nordwand ein sehr starkes Signal erhalten hat, vermutet der Computer, dass sich das Gerät genau in der Mitte dieser drei Punkte befindet.

4. Die Ergebnisse: Wie gut war es?

Die Forscher führten dieses Experiment 11 Mal durch. Hier ist, was sie fanden:

Eine Patrouille reicht aus: Bereits nach einem einzigen 20-minütigen Rundgang durch das Gebäude konnte das System das Rogue-Gerät im Durchschnitt innerhalb von 1,62 Metern (etwa 5 Fuß) lokalisieren.
Genauigkeit auf Raumebene: Diese Genauigkeit ist normalerweise ausreichend, um Sicherheitskräften sagen zu können: „Überprüfen Sie den Raum im zweiten Stock, in der Nähe des Pausenraums“, anstatt sie das gesamte Gebäude absuchen zu lassen.
Besser mit mehr Daten: Wenn der Roboter die Route noch ein paar Mal abläuft, verbessert sich die Genauigkeit und liegt für die meisten Geräte innerhalb von 1 Meter.
Der „Blindtest“: In einem abschließenden Test bewegten sie die Geräte an neue, geheime Standorte, die der Roboter noch nie gesehen hatte. Das System fand sie immer noch korrekt, mit Fehlern von nur 0,34 Metern (etwa 1 Fuß).

5. Das Wichtigste in Kürze

Die überraschendste Entdeckung in der Arbeit war nicht die komplexe Mathematik. Die Forscher fanden heraus, dass der Pfad des Roboters wichtiger war als der Algorithmus.

Stellen Sie sich vor, Sie versuchen, einen verlorenen Schlüssel in einem dunklen Raum zu finden.

Komplexe Mathematik: Mit einem schicken Taschenrechner zu raten, wo der Schlüssel liegt, bas-ierend auf ein paar Hinweisen.
Gute Patrouille: Den Raum abzulaufen und in jede Ecke zu leuchten.

Die Arbeit zeigt, dass es ausreicht, wenn der Roboter eine gute Route fährt, die das versteckte Gerät aus verschiedenen Blickwinkeln umschließt – selbst dann funktioniert eine einfache mathematische Methode hervorragend. Wenn der Roboter jedoch nur von einer Seite am Gerät vorbeiläuft, tut selbst die klügste Mathematik Schwierigkeiten.

Zusammenfassung

RogueRover beweist, dass man keine teuren, vorinstallierten Sensoren oder ein Team von Ingenieuren benötigt, um ein rogue WLAN-Gerät zu finden. Man braucht nur einen handelsüblichen Roboterhund, eine Karte des Gebäudes und eine einfache Strategie: Herumgehen, die Luft schnüffeln und das Muster der Signalstärken die Arbeit machen lassen, um zu verraten, wo der Eindringling sich versteckt. Dies schließt die Lücke zwischen dem „Wissen, dass es ein Problem gibt“ und dem „physischen Finden und Entfernen des Problems“.

Technisches Resümee: RogueRover

Problemstellung

In cyber-physischen Systemen (CPS) stellen unbefugte drahtlose Geräte, wie etwa Rogue Access Points (RAPs), ein erhebliches Sicherheitsrisiko dar, da sie den verdeckten Netzwerkzugriff und laterale Bewegungen ermöglichen. Während Mechanismen auf Netzwerkseite (z. B. Whitelist-Vergleiche) die Anwesenheit dieser Geräte erkennen können, bleibt eine kritische Engstelle in der physischen Lokalisierung für die Incident Response bestehen. Bestehende Lösungen stehen vor deutlichen Einschränkungen:

Statische WIDS/WIPS: Erfordern eine dichte, vorinstallierte Sensorinfrastruktur, was oft zu Abdeckungslücken führt.
Fingerprinting: Erreicht eine hohe Genauigkeit, erfordert jedoch standortspezifische Kalibrierung und Wartung, was bei einer schnellen Reaktion auf Vorfälle unpraktikabel ist.
CSI-basierte Techniken: Bieten eine Genauigkeit im Submeterbereich, basieren jedoch auf spezialisierter Hardware und modifizierter Firmware.
Multi-Roboter-Schwärme: Verbessern die Abdeckung, führen aber eine hohe Koordinationskomplexität ein.

Die Arbeit adressiert die Herausforderung, unbekannte Rogue-Geräte in einer dynamischen Umgebung ohne vorheriges RF-Wissen, vorinstallierte Sensoren, Standortkalibrierung oder spezialisierte Hardware zu lokalisieren.

Methodik: RogueRover-System

RogueRover ist ein End-to-End-System, das darauf ausgelegt ist, unbefugte drahtlose Geräte autonom mithilfe eines einzelnen handelsüblichen vierbeinigen Roboters zu erkennen und zu lokalisieren. Das System arbeitet unter einer Zero-Configuration-Constraint, was bedeutet, dass es kein vorheriges RF-Fingerprinting oder eine Umgebungskalibrierung benötigt.

1. Systemarchitektur

Plattform: Ein Unitree Go2 Vierbeiner-Roboter, ausgestattet mit ROS2 Foxy, LiDAR-basierter Navigation und dualen 802.11n-Schnittstellen (eine für passives Scannen, eine für die Roboterkommunikation).
Operatives Protokoll (Stop-and-Scan): Der Roboter folgt einem vordefinierten Pfad von Wegpunkten, die aus einer Occupancy Grid Map abgeleitet wurden. An jedem Wegpunkt hält der Roboter für eine 10-sekündige Verweilzeit an, um einen passiven 802.11-Beacon-Scan durchzuführen.
Datenerfassung: Das System protokolliert räumlich gelabelte RSSI-Messwerte (Received Signal Strength Indicator) $(x_i, y_i, r_i)$ für jede detektierte BSSID, wobei $(x_i, y_i)$ die Position des Roboters und $r_i$ der RSSI in dBm ist.

2. Detektions-Pipeline

Um Rogue-Geräte ohne Training zu identifizieren, verwendet das System einen leichtgewichtigen heuristischen Scoring-Mechanismus basierend auf drei Signalen:

Lokal verwaltete MAC-Adresse: Eine Erhöhung des Scores, wenn das IEEE Locally Administered Bit gesetzt ist (häufig bei Consumer-Hotspots).
SSID-Muster: Positive Scores für Mobile-Hotspot-Muster (z. B. „Galaxy_*“) und negative Scores für bekannte Whitelist-Infrastrukturnamen.
Vendor-Lookup: Negative Scores für Hersteller, die mit verwalteter Infrastruktur assoziiert sind.
Geräte mit einem Score $\ge 0,5$ werden als Kandidaten markiert, vorausgesetzt, sie werden an mindestens $k_{min}=3$ verschiedenen Wegpunkten beobachtet, um räumliche Diversität zu gewährleisten.

3. Lokalisierungsalgorithmen

Das System schätzt die Position des Rogue-AP $(\hat{x}, \hat{y})$ offline ausschließlich unter Verwendung der gesammelten RSSI-Daten. Die Arbeit evaluiert drei Centroid-basierte Ansätze gegenüber einer parametrischen Baseline, alles unter Zero-Prior-Constraints:

Weighted Centroid (WCL): Schätzt die Position als leistungsgewichteten Durchschnitt der Wegpunktpositionen ( $w_i = 10^{r_i/10}$ ).
Exponentially Weighted Centroid (ExpWCL): Verwendet exponentielle Gewichte ( $w_i = e^{\beta r_i}$ ), um RSSI-reiche Messwerte zu betonen, wodurch die Beeinflussung durch Punkte nahe dem Emitter erhöht wird.
Ensemble-Methode: Kombiniert Schätzungen aus WCL, ExpWCL und einer parametrischen Baseline. Wenn die Schätzungen konsistent sind (innerhalb von 5 m), werden sie gemittelt; andernfalls wird der geometrische Median verwendet.
Parametrische Baseline (LS+Huber): Ein Log-Distance Path-Loss-Modell, das Transmit Power, den Path-Loss-Exponenten und die Position mittels Huber-Loss-Minimierung gemeinsam schätzt. Dies dient als Vergleich, um zu bestimmen, ob Modellkomplexität die Genauigkeit ohne Kalibrierung verbessert.

Wesentliche Beiträge

Infrastrukturfreie Lokalisierung: Die Präsentation eines autonomen Systems, das in der Lage ist, Rogue-Geräte ohne RF-Fingerprinting, vorinstallierte Sensoren oder Standortkalibrierung zu lokalisieren.
Machbarkeit der Zero-Configuration: Demonstration, dass ein einzelner handelsüblicher Roboter während eines einzigen Patrouillengangs eine praktische Lokalisierungsgenauigkeit (medianer Fehler von 1,62 m) erreichen kann, ohne über vorheriges RF-Wissen zu verfügen.
Überbrückung von Detektion und Remediation: Ein Workflow, der die Lücke zwischen netzwerkseitiger Detektion und physischer Incident Response schließt und eine schnelle physische Untersuchung ermöglicht.

Experimentelle Ergebnisse

Das System wurde in einer 800 $m^2$ großen Büroumgebung über 11 Patrouillengänge mit 6 eingesetzten Rogue-APs (Smartphones und Laptops, die als Hotspots fungierten) in offenen, durch Trockenbau und Glaswände getrennten Bereichen evaluiert.

Einzelschicht-Performance: Über 62 AP-Patrouillen-Sessions hinweg erreichte ExpWCL einen medianen Lokalisierungsfehler von 1,62 m, wobei 32,3 % der Schätzungen innerhalb von 1 m lagen.
- Centroid vs. Parametrisch: Einfache Centroid-Schätzer (WCL, ExpWCL) übertrafen die parametrische LS+Huber-Baseline (medianer Fehler 3,41 m) unter Zero-Prior-Bedingungen signifikant. Dies deutet darauf hin, dass parametrische Modelle ohne Kalibrierung aufgrund der schlecht konditionierten Natur der gemeinsamen Parameterschätzung Varianz einführen.
- Sensitivität der Schätzer: Der Unterschied zwischen der besten Centroid-Methode (ExpWCL) und der Zero-Parameter-Baseline (WCL) betrug lediglich 0,33 m, was darauf hindeutet, dass die Komplexität des Schätzers ein sekundärer Faktor im Vergleich zur Messgeometrie ist.
Aggregation über mehrere Patrouillen: Bei der Aggregation von Daten aus mehreren Patrouillen wurden fünf der sechs Geräte innerhalb von 1 m lokalisiert.
Blindvalidierung: In einem Blindversuch mit zwei zuvor nicht gesehenen Geräten identifizierte das System diese korrekt unter 73 beobachteten BSSIDs und lokalisierte sie mit Fehlern von 0,34 m und 1,84 m.
Geometrische Determinanten: Die Genauigkeit wurde primtär durch die räumliche Messabdeckung bestimmt. Geräte, die von Wegpunkten aus mehreren Richtungen umgeben waren, erreichten eine Submeter-Genauigkeit, während Geräte, die primär aus einer Richtung beobachtet wurden (z. B. nahe der Patrouillenperipherie), höhere Fehler aufwiesen.

Bedeutung und Ansprüche

Die Arbeit behauptet, dass eine infrastrukturfreie, autonome Lokalisierung in der Praxis machbar ist. Die primäre Bedeutung liegt in der Demonstration, dass:

Räumliche Abdeckung entscheidend ist: Unter Zero-Prior-Constraints wird die Qualität der Lokalisierung stärker durch die räumliche Diversität der Patrouillenroute als durch die Komplexität des Lokalisierungsalgorithmus bestimmt.
Operative Lebensfähigkeit: Eine einfache, ein-Roboter-Patrouille kann eine ausreichende Genauigkeit (Median ~1,6 m) liefern, um Sicherheitsteams zum korrekten Raum oder zum entsprechenden Korridorsegment für die physische Behebung zu führen, wodurch die Notwendigkeit dichter statischer Sensornetzwerke oder zeitaufwendiger Kalibrierungen entfällt.
Robustheit: Leichtgewichtige Centroid-basierte Methoden bieten stabilere und zuverlässigere Lösungen als komplexe parametrische Modelle, wenn keine vorherigen Propagationsdaten verfügbar sind.

Die Autoren kommen zu dem Schluss, dass RogueRover effektiv die Lücke zwischen Detektion und physischer Remediation schließt und ein praktisches Werkzeug für die schnelle Incident Response in cyber-physischen Umgebungen bietet, in denen keine zusätzliche Sensorinfrastruktur verfügbar ist.