Без времени

Системы глубокого обучения, обрабатывающие временные и последовательные данные, все чаще используются в критически важных для безопасности приложениях, включая мониторинг состояния здоровья, автономную навигацию и алгоритмическую торговлю. Однако эти системы обладают серьезной уязвимостью к атакам со стороны злоумышленников — тщательно разработанным возмущениям, которые вызывают систематическую неправильную классификацию, оставаясь при этом незаметными. В данной статье представлен всесторонний систематический обзор атак со стороны злоумышленников на системы классификации временных рядов, распознавания активности человека (HAR) и обучения с подкреплением (RL), основанный на анализе 127 статей, опубликованных в период с 2019 по 2025 год, в соответствии с рекомендациями PRISMA с документированной межэкспертной надежностью (κ = 0,83). Мы устанавливаем единую четырехмерную таксономию, различающую характеристики атак в зависимости от целевых модальностей (носимые датчики IMU, датчики WiFi/радара, распознавание на основе скелета, медицинские/финансовые временные ряды и агенты RL), стратегий возмущения, временного диапазона и уровней физической реализуемости. Наш количественный анализ выявляет серьезные базовые уязвимости — атаки FGSM снижают точность HAR с 95,1% до 3,4% в условиях «белого ящика», — при этом демонстрируя, что переносимость между датчиками значительно варьируется от 0% до 80% в зависимости от расположения на теле и модальности. Критически важно, что мы выявляем существенный разрыв между показателями успешности цифровых атак (85–98%) и физически подтвержденных атак, при этом подтверждение с помощью аппаратного моделирования демонстрирует 70–97% успеха только для Wi-Fi и радаров, в то время как физические атаки с использованием носимых IMU остаются полностью неподтвержденными. Мы проводим систематический анализ механизмов защиты, включая обучение с использованием состязательных методов, подходы, основанные на обнаружении, сертифицированные средства защиты, и ансамблевые методы, предлагая структуру Temporal AutoAttack (T-AutoAttack) для стандартизированной оценки адаптивных атак. Наш анализ показывает, что существующие средства защиты демонстрируют снижение производительности на 6–23% при адаптивных атаках, при этом сертифицированные методы показывают наименьший разрыв, но приводят к снижению точности на 15–30%. Мы также выявляем новые уязвимости в архитектурах HAR на основе трансформеров и в системах прогнозирования временных рядов на основе LLM, которые требуют срочного внимания. Обзор завершается составлением приоритетной дорожной карты исследований, в которой определены восемь критических пробелов с указанием конкретных наборов данных, оценочных конвейеров и сроков внедрения. Мы предлагаем практические рекомендации по внедрению для специалистов в области носимых HAR, Wi-Fi/радарного зондирования, систем обучения с подкреплением и новых временных приложений на основе LLM. Эта работа предлагает первое унифицированное решение, объединяющее исследования временных рядов и состязательных систем обучения с подкреплением, закладывая основы для разработки надежных временных систем ИИ, пригодных для реального применения в критически важных областях безопасности. - Temporal Adversarial Attacks on Time Series and Reinforcement Learning Systems: A Systematic Survey, Taxonomy, and Benchmarking Roadmap

P.S. См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению

Координатный спуфинг

С ростом числа приложений, использующих услуги определения местоположения (LBS), которые используют наземную и спутниковую инфраструктуру (например, глобальную навигационную спутниковую систему (GNSS) и краудсорсинговые базы данных Wi-Fi, Bluetooth, сотовой связи и IP-адресов) для определения местоположения, обеспечение их целостности и безопасности становится первостепенной задачей. Однако, мы демонстрируем, что эти приложения уязвимы для атак с низкой стоимостью (менее 50 долларов США), включая подмену Wi-Fi в сочетании с подавлением сигналов GNSS, а также более сложную координированную подмену местоположения. Эти атаки манипулируют данными о местоположении для контроля или подрыва функциональности LBS, что приводит к мошенничеству с пользователями или манипулированию услугами. Поэтому мы предлагаем контрмеру для обнаружения и предотвращения таких атак путем использования легкодоступной избыточной информации о местоположении с готовых платформ. Наш метод расширяет структуру автономного мониторинга целостности приёмника (RAIM) путём включения оппортунистической информации, включая данные бортовых датчиков и сигналы наземной инфраструктуры, а также, естественно, ГНСС. Мы теоретически показываем, что объединение разнородных сигналов повышает устойчивость к сложным противникам по нескольким направлениям. Экспериментальные оценки показывают эффективность предлагаемой схемы в повышении точности обнаружения не более чем на 62% по сравнению с базовыми схемами и восстановлении точного позиционирования. - Coordinated Position Falsification Attacks and Countermeasures for Location-Based Services

См. также другие публикации по теме физические атаки

Квишинг

Это фишинг, но только в QR-коде.

Рост фишинга с использованием QR-кодов («Quishing») представляет собой растущую угрозу кибербезопасности, поскольку злоумышленники все чаще используют QR-коды для обхода традиционных средств защиты от фишинга. Существующие методы обнаружения в основном сосредоточены на анализе URL-адресов, который требует извлечения полезной нагрузки QR-кода и может непреднамеренно подвергнуть пользователей вредоносному контенту. Более того, QR-коды могут кодировать различные типы данных помимо URL-адресов, например, учетные данные Wi-Fi и платежную информацию, что делает обнаружение на основе URL-адресов недостаточным для решения более широких проблем безопасности. Чтобы устранить эти пробелы, мы предлагаем первую структуру для обнаружения quishing, которая напрямую анализирует структуру QR-кода и пиксельные паттерны без извлечения встроенного содержимого. Мы создали набор данных фишинговых и безопасных QR-кодов и использовали его для обучения и оценки нескольких моделей машинного обучения, включая логистическую регрессию, деревья решений, случайный лес, наивный байесовский алгоритм, LightGBM и XGBoost. Наша самая эффективная модель (XGBoost) достигает AUC 0,9106, что демонстрирует возможность обнаружения, основанного на QR-кодах. С помощью анализа важности признаков мы выявляем ключевые визуальные индикаторы злонамеренности и совершенствуем набор признаков, удаляя неинформативные пиксели, что повышает производительность до AUC 0,9133 при сокращении пространства признаков. Наши результаты показывают, что структурные особенности QR-кода сильно коррелируют с риском фишинга. Эта работа закладывает основу для снижения риска фишинга и подчеркивает потенциал прямого анализа QR-кодов как критического уровня в современных системах защиты от фишинга. - Detecting Quishing Attacks with Machine Learning Techniques Through QR Code Analysis

Непонятно, насколько это реалистичная идея. Почему вредоносность URL должна отражаться в пикселях QR-кода?

см. также другие публикации по теме фишинг

Wi-Fi отпечаток

Повторная идентификация человека — ключевая и сложная задача видеонаблюдения. Хотя традиционные методы основаны на визуальных данных, такие проблемы, как плохое освещение, преграды и неоптимальные углы обзора, часто снижают производительность. Для решения этих проблем мы представляем WhoFi — новый метод повторной идентификации человека, использующий сигналы Wi-Fi. Биометрические характеристики извлекаются из информации о состоянии канала (CSI) и обрабатываются модульной глубокой нейронной сетью (DNN) с кодировщиком на основе преобразователя. Сеть обучается с использованием пакетной функции отрицательных потерь для получения надежных и обобщаемых биометрических сигнатур. Эксперименты с набором данных NTU-Fi показывают, что наш подход обеспечивает конкурентоспособные результаты по сравнению с современными методами, подтверждая его эффективность в идентификации людей по сигналам Wi-Fi. - WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding

См. также другие публикации по теме Wi-Fi

О красных линиях

Определение того, пересекает ли цель заданную зону (например, дверь), может обеспечить различные практические приложения в умных домах, включая интеллектуальную безопасность и подсчет людей. Традиционный подход на основе инфракрасного излучения охватывает только линию и может быть легко взломан. Напротив, повторное использование вездесущих устройств WiFi, развернутых в домах, имеет потенциал для покрытия большей области интереса, поскольку сигналы WiFi разбросаны по всему пространству. Обнаруживая направление движения (т. е. приближение и удаление) с изменением силы сигнала WiFi, существующая работа может идентифицировать поведение пересечения между парой приемопередатчиков WiFi. Однако этот метод ошибочно классифицирует поведение возврата как поведение пересечения, что приводит к высокому уровню ложных тревог. В этой статье мы предлагаем WiCross, который может точно различать поведение возврата с помощью шаблона фазовой статистики сигналов WiFi и, таким образом, надежно определять, пересекает ли цель область между парой приемопередатчиков WiFi. Мы внедряем WiCross с коммерческими устройствами WiFi, и обширные эксперименты показывают, что WiCross может достигать точности выше 95% при частоте ложных срабатываний менее 5%. - WiCross: Indoor Human Zone-Crossing Detection Using Commodity WiFi Devices

Network sensing

Использование сетей WiFi/4G/5G в роли сенсора. Например, для слежения за человеком

Wi-Fi CSI

Интересная работа по подсчету количества пассажиров в транспорте на основе анализа Wi-Fi CSI: Jiang, Hongbo, et al. "Pa-Count: Passenger Counting in Vehicles Using Wi-Fi Signals." IEEE Transactions on Mobile Computing (2023).

Беспроводные сети как радары

Использование WiFi/4G/5G как сканирующих устройств. Интересная статья с массой примеров приложений.

Wi-Fi sensing

Хороший обзор по использованию стандартных Wi-Fi устройств длдя мониторинга активности

См. также другие публикации, посвященные Wi-Fi

Последователи

Воспроизвели наше приложение на базе Wi-Fi Direct. Непонятно, что нового по сравнению с оригиналом, статья есть просто набор цитат из наших работ - но все равно, приятно :)

Подыши на Wi-Fi

До чего довел COVID. Использование Wi-Fi для оценки частоты дыхания

INJOIT vol.8, no.6

Вышел новый номер журнала INJOIT. Это шестой номер в 2020 году. И восьмой год издания журнала. И в этом номере нет статьи про прогноз развития короновируса. Конец эпидемии?.

Темы статей:

• Протокол обмена персональными данными: ИКС
• Структурная атака на криптосистему типа Мак-Элиса-Сидельникова, построенную на основе комбинирования случайных кодов с кодами Рида-Маллера
• Design Optimal Modified Internal Model Controller of Blood Glucose for Type I Diabetes
• Introduction to signal processing: information transmission using orthogonal sine waves
• Прогноз температурного режима грунта в криолитозоне с учетом потепления климата
• Использование голосовых ассистентов для развития английской научной речи
• Mobile Ad-Hoc Networks Security Review Paper
• Wi-Fi Direct как технологическая основа для гипер-локального интернета
• Использование веб-интерфейсов для сервисов на основе сетевой близости
• Quality assessment of discovered process models in Process Mining: the case of Process Trees
• Проблемы обеспечения информационной безопасности высокоавтоматизированных транспортных средств
• Digital Transformation: How to transfer your Social Media account into your work platform?
• Технологии BIM, онтологий и управления активами на автомобильных дорогах Европы

Архив журнала находится здесь.

Wi-Fi 6

Wi-Fi 6 - преимущество в скорости

Wi-Fi 6

О новой версии (версиях) стандарта Wi-Fi

См. также другие публикации, посвященные Wi-Fi

поддержка публикации: энциклопедия электропитания

Проектирование Wi-Fi сети

Толковое описание проектирования Wi-Fi сети и расстановки точек доступа

См. также другие публикации, посвященные Wi-Fi

Бизнес Wi-Fi

Wi-Fi для бизнеса

За стеной

Wi-Fi видит сквозь стены

См. также другие проекты, посвященные Wi-Fi

Wi-Fi мониторинг

Wi-Fi мониторинг поведения пассажиров в аэропорту. Используются сканеры от Libelium

См. также другие ссылки, посвященные Wi-Fi

Wi-Fi автодектор

Еще один счетчик на базе Wi-Fi - подсчет автомобилей

См. также другие публикации, посвященные Wi-Fi

Wi-Fi досмотрщик

Использование Wi-Fi для поиска опасных материалов в багаже.

См. также Wi-Fi рентген