💻 computer science

StateFi: Effectively Identifying Wi-Fi Devices through State Transitions

StateFiは、Wi-Fiデバイスのマネジメントフレームの振る舞いを有限状態機械としてモデル化することで、多様な環境において最大97%の再識別精度を達成し、MACアドレスのランダム化を打破してWi-Fiデバイスを効果的に識別する新しいフィンガープリンティング・フレームワークである。

原著者： Abhishek K. Mishra, Mathieu Cunche

公開日 2026-01-15

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Abhishek K. Mishra, Mathieu Cunche

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

混雑した空港のターミナルを歩いているところを想像してください。誰もが、数秒ごとに変化する名札をつけています。ある瞬間には「ジョン・スミス」が見え、次の瞬間には「ジェーン・ドウ」、そして次は「アレックス・ジョンソン」に見えます。もしあなたが特定の人物を追跡しようとしているなら、これらの変化する名札のせいで、それはほぼ不可能になるでしょう。

これは、今日の現代的なWi-Fiデバイスがどのように機能しているかを正確に表しています。プライバシーを保護するために、スマートフォンやノートパソコンは、Wi-Fiネットワークを探す際に、自身のデジタルな「名札」（MACアドレスと呼ばれます）を絶えず変化させています。これは**MACランダム化（MAC randomization）**と呼ばれます。

しかし、この論文の背後にいる研究者たちは、StateFiは、名札は変わっても、デバイスの振る舞い方は変わらないことを発見しました。彼らは、デバイスが「何を言うか」ではなく、「どのように」振る舞うかによってデバイスを特定する、新しい強力な方法を見出したのです。

彼らの発見の簡単な内訳は以下の通りです。

1. 問題点：「カメレオン」効果

Wi-Fiデバイスをカメレオンだと考えてみてください。ネットワークに接続しようとする際、デバイスは「ハロー、誰かいますか？」と言うために、一連のデジタルな「叫び」（管理フレームと呼ばれます）を発信します。

従来の方法： これらのデバイスを追跡しようとするこれまでの試みは、叫びの「内容」を見ていました。彼らは、使用されている特定の言葉（スマートフォンがサポートしている機能のリストなど）や、叫びの正確なタイミングをチェックしていました。
欠陥： カメレオンが体の色を変えられるのと同様に、これらの「言葉」や「タイミング」は簡単に偽装できたり、混雑した場所で乱れたり、あるいはスマートフォンのソフトウェアが更新された際に変化したりします。環境が騒がしい場合（賑やかなカフェなど）、これらの古い手法はしばしば失敗します。

2. 解決策：「ダンスのルーチン」（StateFi）

StateFiのチームは、デバイスが名札や特定の言葉を変えたとしても、依然として同じダンスのルーチンを演じていることに気づきました。

彼らはデバイスの振る舞いを**有限状態機械（FSM）**としてモデル化しました。

比喩： ダンサーを想像してください。彼らは異なる衣装（ランダム化されたMACアドレス）を着て、異なる曲（異なるWi-Fiネットワーク）に合わせて踊るかもしれませんが、その「振り付け」は独特です。
- ジャンプする前に2回回転するか？
- 動きの間に一瞬の間を置くか？
- 音楽が止まったら動きを繰り返すか？
- すぐにジャンプするか、それとも合図を待つか？

StateFiは、衣装や曲には関心がありません。それは動きの順序と、その間のタイミングを観察します。そして、デバイスの「ダンスのステップ」のマップを作成します。

3. 仕組み

研究者たちは、以下のシステムを構築しました。

ダンスを観察する： デバイスが信号を送るたびに、それを記録します。
ステップをマッピングする： デバイスがどのようにある状態から別の状態へ移行するかを示すフローチャートを作成します（例：「スキャン中」 $\to$ 「問い合わせ中」 $\to$ 「待機中」 $\to$ 「再度問い合わせ中」）。
指紋を作成する： この複雑なダンスのルーチンを、単純でコンパクトな数字のリスト（ベクトル）に変換します。
ダンサーを照合する： デバイスが名札を変えたとしても、システムは新しいダンスのルーチンを古いものと比較します。もしステップとタイミングが一致すれば、システムは「これは同じデバイスだ！」と判断します。

4. 結果：名探偵

チームは、5つの異なる実世界の場所（カフェ、研究所、教室、自宅、レストラン）および、数百万の信号を含む大規模な公開データセットを用いて、これをテストしました。

ネットワーク内において： デバイスがすでにWi-Fiに接続されている場合、StateFiは94%から97%の精度でそれらを識別できました。デバイスが他の誰かのふりをしているかどうかを判別することもできました。
ランダム化に対して： デバイスが「カメレオン」モード（MACアドレスの変更）を使用し、「ハロー」信号のみを送っている場合でも、StateFiは92%から97%の精度でそれらを再識別できました。
最高の手法を凌駕： 彼らは自分たちの手法を、現在の追跡における「ゴールドスタンダード」（名札、単語リスト、信号強度を見るもの）と比較しました。StateFiは、既存の最高の手法を最大で**17%**上回りました。

5. なぜこれが重要なのか

論文は、デジタルな名札を変えることは良いことですが、それだけでは不十分であると結論付けています。あなたのデバイスの「個性」——ハードウェアとソフトウェアが接続を処理する際の、深くハードコードされた方法——は、隠すことが非常に困難な指紋のようなものです。

研究者たちは、将来的に真にプライバシーを保護するためには、デバイスが「何を言うか」だけでなく、「どのように振る舞うか」を変える必要があるかもしれないと示唆しています。しかし現時点では、StateFiは、**振る舞いが強力なサイドチャネル（副次的経路）**であり、デバイスが隠れようとしても特定できてしまうことを証明しています。

技術要約：StateFi – 状態遷移を通じたWi-Fiデバイスの効果的な識別

1. 問題提起

Wi-Fiデバイスは、発見、認証、およびアソシエーション（接続）のために、暗号化されていない管理フレームを継続的に送信している。これらのフレームは接続に不可欠であるが、デバイスのフィンガープリント作成や追跡を可能にする構造化された行動パターンを漏洩させている。これを軽減するため、現代のオペレーティングシステムはMACアドレスのランダム化を採用しており、プローブベースの探索中にローカル管理MACを頻繁にローテーションさせている。

しかし、既存の文献によれば、ランダム化は識別子を隠蔽するのみであり、管理フレームのシーケンス、タイミング、およびリトライのダイナミクスにエンコードされた根本的な行動ロジックを隠蔽するものではないことを示している。MACランダム化を打破しようとするこれまでの試みは、情報要素（IE）、シーケンス番号（SEQ）、またはRSSIの相関から導出される構文的特徴に依存していた。これらの手法には以下の重大な限界がある：

脆弱性（Brittleness）： 高い競合、移動性、およびヘテロジニアスなアクセスポイント（AP）の展開を特徴とする現実的な環境において、その識別能力は急激に低下する。
希薄性（Sparsity）： プローブ活動は本質的に希薄で変動が激しく、構文的なシグネチャの安定性を制限する。
難読化（Obfuscation）： フィールドレベルの識別子（IEなど）は、OSのアップデートによって容易に難読化または変更され得る。

その結果、ランダム化された識別子は行動ベースの再識別に対して不完全な保護しか提供できず、コンテンツベースの特徴から行動ダイナミクスへの転換が必要となっている。

2. 手法：StateFi フレームワーク

StateFiは、デバイスの挙動を有限オートマトン（FSM）としてモデル化するフィンガープリント・フレームワークを導入する。個々のフレームタイプやメタデータフィールドを単独で分析するのではなく、StateFiは管理プレーンの相互作用の完全な構造とタイミングを捉える。

2.1 FSMによる行動モデリング

核心となる洞察は、管理プレーンの挙動が、MACランダム化イベントを経ても安定している、深いファームウェアおよびチップセットの設計上の選択（例：スキャン戦略、アソシエーション・シーケンス、バックオフ・タイミング）から生じるという点にある。

状態の定義： 状態集合（ $Q$ ）は、管理フレームのサブタイプ（例：ProbeReq、Auth、AssocReq）に対応する。
遷移： 遷移関数（ $\delta$ ）は、「バースト」（同一のMACによって送信される一連のパケットであり、パケット間の間隔が1秒を超えないもの）内での連続するサブタイプ間の観測された遷移を記録する。
時間論理（Temporal Logic）： モデルは、構造的な遷移（例：リトライ、自己遷移）だけでなく、インター・ステート遅延やスキャン・ペースニングなどの時間的な実行ロジックも捉える。

2.2 2つの運用レジーム

StateFiは、脅威モデルに応じて、以下の2つの異なるモードで動作する。

フル管理FSM（Full-Management FSMs）： デバイスが接続状態を維持する場合に使用されるネットワーク内部の設定で使用される。これらのFSMは、プローブ通信、認証/アソシエーション交換、再アソシエーションの試行、およびデオーセンティケーション（認証解除）ロジックを含む、相互作用の全スペクトルを捉える。
プローブのみのFSM（Probe-Only FSMs）： デバイスがランダム化されたMACを放出する、敵対的な事前アソシエーション設定で使用される。これらのFSMは、プローブリクエストとレスポンスのみから構築される。アルファベット（記号集合）は減少するものの、IEの順序、スキャニングパターン、およびチップセット固有のリトライ・ダイナミクスに関する豊かな行動構造を保持している。

2.3 特徴量の埋め込みと分類

グラフ同型判定の計算コストが高いため、FSMグラフを直接比較することは困難である。スケーラブルな分析を可能にするため、StateFiは各FSMをコンパクトな実数値特徴ベクトルに埋め込む。

特徴ベクトル： 構造的特徴（ユニークな状態数、総遷移数、自己遷移数）、時間的特徴（遷移率、インターバースト・タイムギャップ、シーケンス番号ギャップ）、およびプローブリクエストIEのバイナリエンコーディングを含む。
分類： フレームワークは、2つのバーストが同一の物理デバイスに由来するかどうかを予測するために、教師あり学習パイプラインを採用している。これは、ペアワイズの類似性特徴（ユークリッド距離、コサイン類似度、L1距離、およびIEのオーバーラップ）を、ランダムフォレスト（RF）、サポートベクターマシン（SVM）、およびロジスティック回帰（LR）といった標準的な分類器に入力する。

3. 評価と結果

著者らは、5つのヘテロジニアスなキャンパス環境（カフェ、研究室、教室、居住区、レストラン）を含む5つの環境と、3つの大規模な公開データセット（Infocom'21、Cagliari、MITIK）を含む計8つのデータセットを用いてStateFiを評価した。

3.1 ネットワーク内フィンガープリント

ネットワーク内部の設定（アソシエーション後）において、StateFiはフル管理FSMを使用し、5つのキャンパス環境で94–97%の精度を達成した。ランダムフォレストは、SVMおよびロジスティック回帰を一貫して上回った。これは、フル管理FSMが、MACアドレスがセッション内でのみ安定している場合でも、行動の完全性監視および侵入検知のための安定した、高度に識別的なシグネチャを提供することを実証している。

3.2 MACランダム化の打破

敵対的な事前アソシエーション設定（ランダム化されたMAC）において、StateFiはプローブのみのFSMを使用してデバイスを再識別した。

100万フレームを超える3つの大規模な公開データセットにわたり、StateFiは92–97%の精度を達成した。
最先端のInfocom'21フレームワークの識別精度指標を用いた場合、StateFiは**93–98%**に達した。
これは、86%で頭打ちとなった最強の従来手法（IE+SEQ+RSSI）に対し、最大で17パーセントポイントの向上を示している。
この性能差は、より長いタイムウィンドウにおいて拡大した。これは、構文的シグネチャがバースト境界やチャネル競合に対して敏感であるのに対し、FSMベースの行動モデリングが堅牢であることを浮き彫りにしている。

4. 主な貢献

本論文は、以下の具体的な貢献を行う：

FSMによる行動モデリング： 有限オートマトンモデリングを用いて、構造的および時間的な管理フレームのダイナミクスを共に捉える初のフィンガープリント・フレームワークの導入。
コンパクトでスケーラブルな埋め込み： 直接的なグラフ比較の計算コストを回避し、距離ベースのマッチングと教師あり分類をサポートする効率的なベクトル表現の導出。
包括的な実世界評価： 多様な環境におけるMACランダム化下での、ネットワーク内フィンガープリントおよび再識別のための高い精度を実証し、最先端の手法を最大17%上回る成果を示した。
行動サイドチャネルの解明： MACランダム化が実装レベルの行動フィンガープリントを隠蔽できないことを明らかにし、将来の無線規格における行動ベースの難読化の必要性を動機付けた。

5. 意義と主張

本論文は、FSMレベルの行動ダイナミクスが、強力かつほとんど未対策のサイドチャネルを形成していると断じている。容易にランダム化または難読化できる構文的特徴とは異なり、状態遷移とタイミングにエンコードされた行動ロジックは、ファームウェアおよびチップセットの設計に深く根ざしており、ネットワークパフォーマンス（例：レイテンシや消費電力の増加）を損なうことなく隠蔽することは困難である。

StateFiは、積極的なMACランダム化が存在する場合でも、高精度かつ堅牢なデバイス識別が可能であることを示している。著者らは、現在のプライバシー防御は識別子のランダム化に焦点を当てているが、行動による再識別に対しては不十分であると結論付けている。Wi-Fiネットワークにおけるユーザーの匿名性を効果的に保護するためには、将来のプライバシー防御はFSMレベルの行動シグネチャの漏洩に対処しなければならない。