技術要約: RogueRover

問題提起

サイバー物理システム（CPS）において、不正な無線デバイス（例：ローグアクセスポイント（RAP））は、隠蔽されたネットワークアクセスやラテラルムーブメントを可能にするため、重大なセキュリティリスクとなります。ネットワーク側でのメカニズム（ホワイトリストとの比較など）によってこれらのデバイスの存在を検知することは可能ですが、インシデント対応のためにこれらを**物理的に特定（ローカライズ）**するというプロセスには、依然として決定的なボトルネックが存在します。既存のソリューションには、以下のような明確な限界があります：

• 静的なWIDS/WIPS: 高密度に設置された事前設置型のセンシング・インフラを必要とし、カバレッジの空白が生じやすい。
• フィンガープリント法: 高い精度を実現するが、サイト固有のキャリブレーションとメンテナンスが必要であり、迅速なインシデント対応時には実行不可能である。
• CSIベースの手法: サブメートル級の精度を提供するが、専用のハードウェアや修正されたファームウェアに依存する。
• マルチロボット・スウォーム: カバレッジを向上させるが、高度な協調の複雑さが導入される。

本論文は、事前のRF知識、設置済みのセンサー、サイトのキャリブレーション、または専用ハードウェアを必要とせずに、動的な環境下で未知のローグデバイスを特定するという課題に取り組んでいます。

手法: RogueRoverシステム

RogueRoverは、単一の市販の四足歩行ロボットを用いて、ローグ無線デバイスを自律的に検知および特定するために設計されたエンドツーエンドのシステムです。本システムは、**ゼロ構成制約（zero-configuration constraint）**の下で動作し、これは事前のRFフィンガープリントや環境キャリブレーションを必要としないことを意味します。

1. システムアーキテクチャ

• プラットフォーム: ROS2 Foxy、LiDARベースのナビゲーション、およびデュアル802.11nインターフェース（一つはパッシブスキャン用、もう一つはロボット通信用）を備えたUnitree Go2四足歩行ロボット。
• 運用プロトコル（ストップ・アンド・スキャン）: ロボットは、占有格子マップ（occupancy grid map）から導出されたウェイポイントの定義された経路に従います。各ウェイポイントにおいて、ロボットは10秒間の滞留時間を設けて停止し、パッシブ802.11ビーコンスキャンを実行します。
• データ収集: システムは、検出された各BSSIDに対して、空間的にラベル付けされた受信信号強度指標（RSSI）の測定値 $(x_i, y_i, r_i)$ をログに記録します。ここで、$(x_i, y_i)$ はロボットの位置、 $r_i$ はdBm単位のRSSIです。

2. 検知パイプライン

学習なしにローグデバイスを特定するため、システムは以下の3つの信号に基づく軽量なヒューリスティック・スコアリング・メカニズムを採用しています：

1. ローカル管理MACアドレス: IEEEのローカル管理ビットが設定されている場合（一般的なコンシューマー向けホットスポットに共通）、スコアを加算する。
2. SSIDパターン: モバイルホットスポットのパターン（例：「Galaxy_*」）に対しては正のスコアを、既知のホワイトリスト化されたインフラストラクチャ名に対しては負のスコアを与える。
3. ベンダー・ルックアップ: 管理されたインフラストラクチャに関連するメーカーに対しては負のスコアを与える。
   デバイスのスコアが $\ge 0.5$ であり、かつ空間的な多様性を確保するために少なくとも $k_{min}=3$ 個の異なるウェイポイントで観測された場合に、候補としてフラグが立てられます。

3. ローカリゼーション・アルゴリズム

システムは、収集されたRSSIデータのみを使用して、オフラインでローグAPの位置 $(\hat{x}, \hat{y})$ を推定します。本論文では、ゼロ・プライア（事前知識なし）の条件下ですべてのパラメトリック・ベースラインに対して、3つの重心ベースのアプローチを評価しています：

• 加重重心法 (WCL): 位置をウェイポイント位置の電力加重平均 ($w_i = 10^{r_i/10}$) として推定する。
• 指数加重重心法 (ExpWCL): 指数関数的な重み ($w_i = e^{\beta r_i}$) を使用して、高RSSIの測定値を強調し、エミッターに近い点の重要性を高める。
• アンサンブル法: WCL、ExpWCL、およびパラメトリック・ベースラインからの推定値を組み合わせる。推定値が一致している場合（5m以内）、それらを平均し、一致しない場合は幾何学的中央値を使用する。
• パラメトリック・ベースライン (LS+Huber): 対数距離パスロスモデルを用い、Huber損失最小化を使用して、送信電力、パスロス指数、および位置を共同で推定する。これは、モデルの複雑さがキャリブレーションなしで精度向上に寄与するかどうかを判断するための比較対象となる。

主な貢献

1. インフラフリーのローカリゼーション: RFフィンガープリント、設置済みセンサー、またはサイトのキャリブレーションを必要とせずに、ローグデバイスを特定可能な自律システムの提示。
2. ゼロ構成の実現可能性: 単一の市販ロボットが、事前のRF知識なしで、単一のパトロール中に実用的なローカリゼーション精度（中央値誤差 1.62 m）を達成できることの証明。
3. 検知と修復の橋渡し: ネットワークレベルの検知と物理的なインシデント対応の間のギャップを埋めるワークフローを提供し、迅速な物理的調査を可能にする。

実験結果

システムは、800 $m^2$ の屋内オフィス環境において、6つの展開されたローグAP（スマートフォンやノートPCによるホットスポット）を対象とした11回のパトロール走行を通じて評価されました。これらはオープンエリア、ドライウォールで囲まれたエリア、およびガラスパーティションで区切られたエリアに配置されました。

• シングルパトロール性能: 62回のAP-パトロールセッション全体で、ExpWCLは中央値誤差 1.62 mを達成し、推定値の32.3%が1 m以内に収まりました。
  • 重心法 vs パラメトリック法: ゼロ・プライア条件下では、単純な重心推定器（WCL, ExpWCL）は、パラメトリックなLS+Huberベースライン（中央値誤差 3.41 m）を大幅に上回りました。これは、キャリブレーションがない場合、パラメトリックモデルが結合パラメータ推定の不良設定性（ill-conditioned nature）によって分散を導入することを示しています。
  • 推定器の感度: 最良の重心法（ExpWCL）とゼロパラメータ・ベースライン（WCL）の差はわずか 0.33 m であり、推定器の複雑さは測定の幾何学的形状と比較して二次的な要因であることを示唆しています。
• マルチパトロール集計: 複数のパトロールからデータを集計した際、6つのデバイスのうち5つが 1 m 以内に特定されました。
• ブラインド検証: 未知の2つのデバイスを用いたブラインド・トライアルにおいて、システムは73個の観測されたBSSIDの中からそれらを正しく特定し、それぞれ 0.34 m および 1.84 m の誤差で特定しました。
• 幾何学的決定要因: 精度は主に空間的な測定カバレッジによって決定されました。複数の方向からウェイポイントに囲まれたデバイスはサブメートル級の精度を達成しましたが、主に一方の方向（例：パトロールの周辺部）からのみ観測されたデバイスは高い誤差を示しました。

重要性と主張

本論文は、インフラフリーの自律的なローカリゼーションが実用において実現可能であると主張しています。主な意義は、以下のことを示した点にあります：

1. 空間的カバレッジが最優先: ゼロ・プライアの制約下では、ローカリゼーションの質はアルゴリズムの洗練度よりも、パトロールルートの空間的多様性によって決定される。
2. 運用の実現可能性: 単純な単一ロボットのパトロールにより、十分な精度（中央値 約1.6 m）を提供でき、物理的な修復のために正しい部屋や廊下のセグメントへとセキュリティチームを誘導することが可能である。これにより、高密度な静的センサーネットワークや時間のかかるキャリブレーションを排除できる。
3. 堅牢性: 事前の伝搬データが利用できない場合、軽量な重心ベースの手法は、複雑なパラメトリックモデルよりも安定して信頼性の高いソリューションを提供する。

著者らは、RogueRoverが検知と物理的修復の間のギャップを効果的に埋め、追加のセンシング・インフラが利用できないサイバー物理環境における迅速なインシデント対応のための実用的なツールを提供すると結論付けています。