MarcoPolo: A Zero-Permission Attack for Location Type Inference from the Magnetic Field using Mobile Devices

Título: MarcoPolo: Um Ataque Sem Permissão para Inferência de Tipo de Localização a partir do Campo Magnético em Dispositivos Móveis

1. Problema e Motivação

O acesso à localização geográfica em dispositivos móveis é tradicionalmente protegido por sistemas de permissão do SO (como Android e iOS), exigindo que o usuário autorize explicitamente o uso do GPS ou redes celulares. No entanto, sensores como o magnetômetro (bússola), acelerômetro e giroscópio geralmente não requerem permissões especiais para acesso.

Os autores argumentam que aplicativos maliciosos podem explorar o magnetômetro para inferir o tipo de localização (ex: parque, trem, café, shopping) de um usuário sem que este saiba, contornando as proteções de privacidade. Diferente de métodos anteriores que buscam coordenadas precisas (geolocalização exata), o MarcoPolo foca na classificação do ambiente com base nas suas "assinaturas magnéticas", permitindo a inferência de rotinas e interesses do usuário de forma passiva e não invasiva.

2. Metodologia

O estudo propõe um ataque de inferência baseado na análise de séries temporais das leituras do campo magnético. A abordagem envolve três etapas principais:

• Coleta de Dados (Estudo "In-the-Wild"):

  • Foram coletadas 91 horas de dados magnéticos em um estudo de campo.
  • Dispositivos: 5 smartphones diferentes (Android e iOS).
  • Locais: 110 locais distintos divididos em 10 categorias (tipos de localização): Estações de trem de longa distância, metrô, parques, pontes, cafés, halls (salões), lavanderias, paradas de ônibus, estacionamentos e academias.
  • Amostragem: Leituras de 10 minutos por local, a 1 Hz, simulando o comportamento natural de usuários caminhando.

• Técnicas de Classificação de Séries Temporais:
  O artigo compara quatro métodos distintos para classificar o tipo de localização a partir dos dados magnéticos:

  1. Correspondência de Sinal Completo (Full Signal Matching): Compara o sinal de teste com todos os sinais de treinamento usando métricas de distância (DTW, Euclidiana, Cosseno, Bhattacharyya).
  2. Descritores Estatísticos: Extrai características estatísticas (mediana, amplitude, energia, frequência natural, etc.) dos sinais no domínio do tempo e da frequência, utilizando classificadores como k-NN, Random Forest (RF) e XGBoost.
  3. Extração Automática de Recursos (Redes Neurais): Utiliza Redes Siamesas com camadas convolucionais 1D (CNN) para aprender padrões sem extração manual de features.
  4. Análise de Shapelets: Identifica "shapelets" (subsequências curtas e discriminativas) que representam eventos magnéticos recorrentes (ex: a passagem de um trem). Esta técnica é aplicada tanto no domínio do tempo quanto no domínio da frequência (usando o Coeficiente de Correlação Generalizado - GCC).

• Critérios de Avaliação:
  Para testar a robustez e a generalização, foram utilizados dois cenários rigorosos:

  • Leave-a-Place-Out: O modelo é treinado com dados de 109 locais e testado em um local nunca visto antes (mas do mesmo tipo de categoria). Isso testa se o modelo aprendeu a "assinatura" do tipo de lugar e não apenas o mapa específico.
  • Leave-a-Device-Out: O modelo é treinado com dados de 4 dispositivos e testado no quinto dispositivo (usuário desconhecido). Isso testa a robustez contra variações de hardware e sensores.

3. Principais Contribuições

• Ataque Zero-Permissão: Demonstra a viabilidade de inferir o tipo de ambiente do usuário sem solicitar permissões de localização, explorando uma vulnerabilidade de privacidade em sensores comuns.
• Abordagem Baseada em Assinatura de Tipo: Diferente da geolocalização exata, o foco é classificar o ambiente (ex: "o usuário está em um trem"), o que é suficiente para inferir rotinas e comportamentos.
• Comparação de Métodos: Apresenta uma análise comparativa profunda de quatro técnicas de classificação de séries temporais aplicadas a dados magnéticos.
• Conjunto de Dados Público/Realista: Criação de um dataset robusto com 91 horas de dados reais, cobrindo múltiplos dispositivos e tipos de ambientes urbanos.

4. Resultados

Os resultados demonstram que a inferência de tipo de localização é viável e supera significativamente a linha de base aleatória (aprox. 16,7% para 10 classes):

• Desempenho Geral:
  • No cenário Leave-a-Place-Out (local desconhecido), o melhor modelo (Shapelets com Random Forest) alcançou 40,5% de precisão.
  • No cenário Leave-a-Device-Out (dispositivo desconhecido), o melhor modelo alcançou 39,5% de precisão.
• Melhor Técnica: A análise baseada em Shapelets (padrões temporais) superou consistentemente os outros métodos, especialmente quando combinada com descritores estatísticos.
• Combinação de Métodos: A fusão de descritores estatísticos e shapelets resultou em uma melhoria de desempenho de cerca de 7% em relação aos métodos individuais, indicando que eles capturam informações complementares (os shapelets capturam eventos dinâmicos, enquanto os descritores capturam características globais).
• Confusão entre Classes: O modelo teve maior dificuldade em distinguir locais com características magnéticas similares (ex: diferentes tipos de transporte ou ambientes internos com muita estrutura metálica), mas conseguiu identificar padrões claros em locais como trens e pontes.

5. Significância e Implicações

• Risco de Privacidade: O estudo revela que mesmo sem acesso ao GPS, o magnetômetro pode ser usado para construir perfis de comportamento detalhados (ex: "o usuário vai à academia às segundas-feiras" ou "o usuário pega o metrô todo dia").
• Desafio para Defesas: Como o acesso ao magnetômetro é permitido por padrão em muitos sistemas operacionais para funcionalidades básicas (como bússola), bloquear esse acesso para aplicativos de terceiros exigiria mudanças profundas nas políticas de permissão do SO, o que pode impactar a usabilidade de apps legítimos.
• Futuro da Pesquisa: O trabalho sugere que a proteção de privacidade em dispositivos móveis precisa evoluir além das permissões explícitas de localização, considerando o vazamento de informações através de sensores passivos e a correlação de dados de múltiplos sensores.

Em resumo, o MarcoPolo prova que é possível realizar uma localização grosseira (coarse-grained) eficaz e automatizada apenas com o campo magnético, representando uma nova ameaça à privacidade que exige atenção da comunidade de segurança e dos desenvolvedores de sistemas operacionais.