Malicious Pseudo-Ranging and Localization of Static LOS Wireless Users via Downlink Modulation Classification and Uplink Refinement

기술 요약: 정적 LOS 무선 사용자에 대한 악의적 의사 거리 측정 및 위치 추적

문제 정의
무선 표준(예: 3GPP Release 16–20 및 IEEE 802.11xx)의 개방성과 무선 매체의 브로드캐스트 특성은 공격자가 악용할 수 있는 취약점을 생성합니다. 기존의 대응책은 주로 능동적 공격(예: 재밍, 로구 기지국)에 초점을 맞추고 있지만, 본 논문은 공개된 변조 및 코딩 방식(MCS) 테이블에서 "남겨진 문제(loose end)"를 식별합니다. 적응형 변조 및 코딩(AMC)에 필수적인 이 테이블들은 채널 품질을 특정 변조 방식에 매핑합니다. 본 논문은 도청자(Eve)가 이러한 공개 테이블을 역공학하여 링크의 신호 대 잡음비(SNR)를 추론할 수 있으며, 결과적으로 앵커 노드를 배치하거나 능동적인 프로빙을 수행하지 않고도 기지국(Alice)과 정지된 가시선(LOS) 사용자(Bob) 사이의 지리적 거리를 파악할 수 있다고 주장합니다.

방법론
제안된 공격은 정적 사용자의 위치를 추적하기 위해 설계된 수동적 2단계 프로세스입니다:

1. 다운링크 단계 (의사 거리 측정):

   • Eve는 Alice가 Bob에게 보내는 다운링크 브로드캐스트를 가로챕니다.
   • 딥러닝 기반 변조 분류기(특히 4개의 합성곱 층을 가진 2D 합성곱 신경망(CNN))를 사용하여 가로챈 신호의 변조 방식(예: BPSK, QPSK, 16-QAM, 64-QAM)을 식별합니다.
   • 공개적으로 사용 가능한 MCS 테이블을 사용하여, Eve는 탐지된 변조 방식을 특정 SNR 범위에 매핑합니다.
   • Friis 전송 방정식을 적용하고 송신 전력과 주파수를 알고 있다고 가정함으로써, Eve는 이 SNR 범위를 거리 경계값으로 변환합니다. 이를 통해 사용자의 가능한 위치를 전체 셀 커버리지 영역에서 기지국 주변의 특정 동심원 링(ring)으로 좁힙니다.

2. 업링크 단계 (정밀화):

   • Eve는 식별된 링으로 이동하여 그 경로를 따라 원형으로 이동합니다.
   • Eve는 Bob의 업링크 전송을 스니핑합니다. 업링크 전력은 일반적으로 낮기 때문에, Eve는 고품질의 신호를 포착하기 위해 근접한 위치에 있어야 합니다.
   • 각 그리드 지점에서 Eve는 수신된 SNR을 측정합니다. 최대 SNR을 보이는 위치를 Bob의 초기 위치 추정치로 선언합니다.
   • 이 추정치를 정밀화하기 위해, Eve는 (SNR로부터 유도된 거리를 사용하여) 초기 추정치 주변에서 2차의 더 작은 원형 운동을 수행하여 가장 높은 SNR을 보이는 지점을 찾아냅니다. 이 과정은 반복적으로 수행될 수 있습니다.
   • 확장: 본 방법론은 다중 안테나(도래각(DoA) 추정을 위한 Uniform Linear Array 및 root-MUSIC 알고리즘 사용)와 Eve가 여러 직교 부반송파를 모니터링하는 다중 사용자 시나리오에서도 평가되었습니다.

주요 기여

• 새로운 수동적 공격: 본 연구는 앵커 노드나 능동적 간섭 없이 MCS 테이블을 활용하여 사용자 위치를 추적하는 최초의 알려진 수동적 공격을 소개합니다.
• 탐색 공간 축소: 다운링크 변조 분류를 통해 위치 추적 탐색 공간을 전체 셀에서 특정 링으로 효과적으로 축소합니다.
• 인프라 불필요: 기존의 비협력적 소스 위치 추적과 달리, 이 방법은 위치가 알려진 사전 배치 인프라를 필요로 하지 않습니다.
• 검증: 이 접근 방식은 5 GHz, 28 GHz, 100 GHz 주파수를 사용하는 단일 사용자, 다중 사용자 및 다중 안테나 시나리오에 대한 시뮬레이션을 통해 검증되었습니다.

결과

• 변조 분류: CNN 기반 분류기는 모든 시뮬레이션 시나리오에서 80% 이상의 검증 정확도를 달了했습니다. 테스트 정확도는 Eve의 기지국 근접도와 송신 전력에 따라 달라졌으며, 기지국에 가까울수록 높은 정확도를 보였는데, 이는 정확한 링 식별에 매우 중요합니다.
• 위치 추적 정확도:
  • 위치 추적 오차는 송신 전력이 높을수록(더 넓은 커버리지 링으로 인해) 증가하지만, 주파수가 높을수록(mmWave의 높은 경로 손실 및 작은 커버리지 영역으로 인해) 감소합니다.
  • 사용자의 정확한 송신 전력을 아는 것이 전력 범위만 아는 것보다 정확도를 크게 향상시킵니다.
  • 28 GHz에서의 단일 사용자 시나리오에서 평균 위치 추적 오차는 약 0.66미터였습니다.
  • 다중 사용자: 이 공격은 단일 사용자 케이스(0.66m 및 0.67m)와 유사한 정확도로 두 명의 동시 사용자를 성공적으로 위치 추적했으나, 더 넓은 수신기 대역폭과 처리 자원을 요구합니다.
  • 다중 안테나: Eve가 10개의 요소를 가진 Uniform Linear Array를 장착하면 DoA 추정을 활용하여 평균 위치 추적 오차를 0.27미터로 크게 줄일 수 있습니다.
• 복잡도: CNN의 계산 복잡도는 적당한 수준(약 59 MFLOPs)으로, 표준 GPU 기능을 갖춘 에지 디바이스에서도 이 공격의 배포가 가능함을 시사합니다.

의의 및 주장
본 논문은 이 연구를 공공 무선 표준의 보안 함의에 대한 인식을 높이기 위한 "윤리적 해킹" 공개로 규정합니다. 저자들은 3GPP 및 IEEE 표준의 개방성으로 인해 공격자가 관찰된 MCS 인덱스를 지리적 영역으로 매핑할 수 있으며, 이는 공간적 프라이버시를 위협하고 장기적인 추적, 익명성 해제, 그리고 사용자의 이동성에 대한 악의적인 "디지털 트윈" 지도 구축을 가능하게 한다고 주장합니다.

저자들은 현재 연구가 가시선(LOS) 및 정적 사용자라는 한계가 있지만, 이 공격이 더 복잡한 시나리오를 위한 "발판(scaffolding)" 역할을 한다고 강조합니다. 또한 NLOS 환경(무선 핑거프린팅 사용) 및 이동 사용자(마르코프 체인 및 칼만 필터 사용)로의 확장 가능성을 논의합니다. 결론적으로, 프라이빗 5G 네트워크는 면역이 있을 수 있으나, 공용 5G 및 WiFi 네트워크는 이러한 인프라리스(infrastructure-less) 수동 센싱 공격에 여전히 취약하며, 이는 6G 및 AI 네이티브 네트워크 시대에 보안 프로파일에 대한 재검토가 필요함을 시사합니다.