Resumo Técnico: RogueRover

Definição do Problema

Em sistemas ciber-físicos (CPS), dispositivos sem fio não autorizados, como pontos de acesso invasores (RAPs), representam um risco significativo de segurança ao permitir o acesso oculto à rede e a movimentação lateral. Embora mecanismos do lado da rede (ex: comparações de whitelist) possam detectar a presença desses dispositivos, um gargalo crítico permanece na localização física dos mesmos para resposta a incidentes. As soluções existentes enfrentam limitações distintas:

• WIDS/WIPS Estáticos: Exigem infraestrutura de detecção densa e pré-instalada, frequentemente deixando lacunas de cobertura.
• Fingerprinting (Assinatura Digital): Alcança alta precisão, mas demanda calibração e manutenção específicas do local, o que é inviável durante uma resposta rápida a incidentes.
• Técnicas baseadas em CSI: Oferecem precisão sub-métrica, mas dependem de hardware especializado e firmware modificado.
• Enxames Multi-robôs: Melhoram a cobertura, mas introduzem alta complexidade de coordenação.

O artigo aborda o desafio de localizar dispositivos invasores desconhecidos em um ambiente dinâmico sem conhecimento prévio de RF, sensores pré-instalados, calibração de local ou hardware especializado.

Metodologia: Sistema RogueRover

O RogueRover é um sistema de ponta a ponta projetado para detectar e localizar autonomamente dispositivos sem fio invasores usando um único robô quadrúpede comercial. O sistema opera sob uma restrição de configuração zero, o que significa que não requer fingerprinting de RF prévio ou calibração ambiental.

1. Arquitetura do Sistema

• Plataforma: Um robô quadrúpede Unitree Go2 equipado com ROS2 Foxy, navegação baseada em LiDAR e interfaces duplas 802.11n (uma para varredura passiva, outra para comunicação do robô).
• Protocolo Operacional (Parar-e-Escanear): O robô segue um caminho de waypoints predefinido derivado de um mapa de grade de ocupação. Em cada waypoint, o rob emite uma pausa de 10 segundos para realizar uma varredura passiva de beacons 802.11.
• Coleta de Dados: O sistema registra medições de Indicador de Força de Sinal Recebido (RSSI) espacialmente rotuladas $(x_i, y_i, r_i)$ para cada BSSID detectado, onde $(x_i, y_i)$ é a posição do robô e $r_i$ é o RSSI em dBm.

2. Pipeline de Detecção

Para identificar dispositivos invasores sem treinamento, o sistema emprega um mecanismo de pontuação heurística leve baseado em três sinais:

1. Endereço MAC Administrado Localmente: Um aumento na pontuação se o bit de administração local IEEE estiver definido (comum em hotspots de consumo).
2. Padrões de SSID: Pontuações positivas para padrões de hotspot móvel (ex: "Galaxy_*") e pontuações negativas para nomes de infraestrutura conhecidos na whitelist.
3. Busca de Fabricante (Vendor Lookup): Pontuações negativas para fabricantes associados à infraestrutura gerenciada.
   Dispositivos com pontuação $\ge 0,5$ são sinalizados como candidatos, desde que sejam observados em pelo menos $k_{min}=3$ waypoints distintos para garantir diversidade espacial.

3. Algoritmos de Localização

O sistema estima a posição do AP invasor $(\hat{x}, \hat{y})$ offline usando apenas os dados de RSSI coletados. O artigo avalia três abordagens baseadas em centroides contra uma linha de base paramétrica, todas sob restrições de zero-prioridade:

• Centroide Ponderado (WCL): Estima a posição como a média ponderada pela potência das posições dos waypoints ($w_i = 10^{r_i/10}$).
• Centroide Ponderado Exponencialmente (ExpWCL): Utiliza pesos exponenciais ($w_i = e^{\beta r_i}$) para enfatizar medições de alto RSSI, aumentando a influência de pontos próximos ao emissor.
• Método de Ensemble: Combina estimativas de WCL, ExpWCL e uma linha de base paramétrica. Se as estimativas forem consistentes (dentro de 5m), elas são calculadas pela média; caso contrário, utiliza-se a mediana geométrica.
• Linha de Base Paramétrica (LS+Huber): Um modelo de perda de trajetória de distância logarítmica que estima conjuntamente a potência de transmissão, o expoente de perda de trajetória e a posição usando minimização de perda de Huber. Isso serve como comparação para determinar se a complexidade do modelo auxilia na precisão sem calibração.

Principais Contribuições

1. Localização Sem Infraestrutura: A apresentação de um sistema autônomo capaz de localizar dispositivos invasores sem fingerprinting de RF, sensores pré-instalados ou calibração de local.
2. Viabilidade de Configuração Zero: Demonstração de que um único robô comercial pode alcançar precisão de localização prática (erro mediano de 1,62 m) durante uma única patrulha sem conhecimento prévio de RF.
3. Unindo Detecção e Remediação: Um fluxo de trabalho que fecha a lacuna entre a detecção em nível de rede e a resposta física a incidentes.

Resultados Experimentais

O sistema foi avaliado em um ambiente de escritório interno de 800 $m^2$ ao longo de 11 execuções de patrulha com 6 APs invasores implantados (smartphones e laptops atuando como hotspots) através de áreas abertas, delimitadas por drywall e particionadas por vidro.

• Desempenho de Patrulha Única: Em 62 sessões de AP-patrulha, o ExpWCL alcançou um erro de localização mediano de 1,62 m, com 32,3% das estimativas dentro de 1 m.
  • Centroide vs. Paramétrico: Estimadores de centroide simples (WCL, ExpWCL) superaram significativamente a linha de base paramétrica LS+Huber (erro mediano de 3,41 m) sob condições de zero-prioridade. Isso indica que, sem calibração, modelos paramétricos introduzem variância devido à natureza mal condicionada da estimativa conjunta de parâmetros.
  • Sensibilidade do Estimador: A diferença entre o melhor método de centroide (ExpWCL) e a linha de base de zero parâmetro (WCL) foi de apenas 0,33 m, sugerindo que a complexidade do estimador é um fator secundário comparado à geometria da medição.
• Agregação de Múltiplas Patrulhas: Ao agregar dados de múltiplas patrulhas, cinco dos seis dispositivos foram localizados dentro de 1 m.
• Validação Cega: Em um teste cego com dois dispositivos previamente não vistos, o sistema identificou corretamente eles entre 73 BSSIDs observados e os localizou com erros de 0,34 m e 1,84 m.
• Determinantes Geométricos: A precisão foi impulsionada principalmente pela cobertura de medição espacial. Dispositivos cercados por waypoints de múltiplas direções alcançaram precisão sub-métrica, enquanto aqueles observados principalmente de uma direção (ex: perto da periferia da patrulha) exibiram erros maiores.

Significância e Alegações

O artigo afirma que a localização autônoma e sem infraestrutura é viável na prática para resposta a incidentes. A principal significância reside na demonstração de que:

1. A Cobertura Espacial é Primordial: Sob restrições de zero-prioridade, a qualidade da localização é determinada mais pela diversidade espacial da rota de patrulha do que pela sofisticação do algoritmo de localização.
2. Viabilidade Operacional: Uma simples patrulha com um único robô pode fornecer precisão suficiente (mediana ~1,6 m) para guiar equipes de segurança até o segmento correto de sala ou corredor para remediação física, eliminando a necessidade de redes de sensores estáticos densos ou calibrações demoradas.
3. Robustez: Métodos leves baseados em centroide fornecem soluções mais estáveis e confiáveis do que modelos paramétricos complexos quando não há dados de propagação prévios disponíveis.

Os autores concluem que o RogueRover efetivamente preenche a lacuna entre a detecção e a remediação física, oferecendo uma ferramenta prática para resposta rápida a incidentes em ambientes ciber-físicos onde infraestrutura de detecção adicional não está disponível.