論文の概要: Can Machine Learning Break Wi-Fi Privacy? A Study on MAC Address Randomization

• arxiv url: http://arxiv.org/abs/2606.25788v1
• Date: Wed, 24 Jun 2026 13:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.345654
• Title: Can Machine Learning Break Wi-Fi Privacy? A Study on MAC Address Randomization
• Title（参考訳）: 機械学習はWi-Fiプライバシーを破るのか?MACアドレスランダム化に関する研究
• Abstract要約: 機械学習(ML)ベースの指紋認証を用いてデバイスを識別できることが示されている。 この論文の中核となる貢献は、ハイスループット(HT)情報フィールドのビットワイズ分解である。 以上の結果から,HT機能情報と3つのSRSSI測定値を用いたDBSCANは,最大89.6%の精度を達成できた。
• 参考スコア（独自算出の注目度）: 2.5227912984325362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medium Access Control (MAC) address randomization has been widely adopted during the IEEE 802.11 network discovery phase as a countermeasure against passive tracking. This paper exposes vulnerabilities in these privacy protocols by demonstrating that devices remain identifiable using Machine Learning (ML)-based fingerprinting. To study the potential tracking capabilities of a passive attacker, we evaluate different eavesdropping scenarios and configurations. To this end, we extract unencrypted hardware specifications from Probe Frames, which we combine with the Inter-Probe Frame Arrival Time (IFAT) and Simulated Received Signal Strength Indication (SRSSI) signals. A core contribution of this paper is the bitwise decomposition of the High Throughput (HT) capabilities information field, which improves device identification accuracy. We evaluate this de-randomization approach using three unsupervised clustering algorithms (K-Means, DBSCAN, and OPTICS) across a dataset of 22 devices from six manufacturers. Our results show that DBSCAN, when using decomposed HT capabilities information and three SRSSI measurements, achieves a global accuracy up to 89.6%. This suggests that the existing MAC randomization solutions are insufficient and underscores the need for enhancing privacy within Wi-Fi standardization.
• Abstract（参考訳）: 中アクセス制御(MAC)アドレスランダム化は、パッシブトラッキングに対する対策としてIEEE 802.11ネットワーク発見フェーズで広く採用されている。 本稿では、機械学習(ML)ベースの指紋認証を用いてデバイスが識別可能であることを示すことにより、これらのプライバシプロトコルの脆弱性を明らかにする。 受動攻撃者の潜在的な追跡能力を調べるために,異なる盗聴シナリオと構成を評価する。 そこで我々は、IFAT(Inter-Probe Frame Arrival Time)とSimulated Received Signal Strength Indication(SRSSI)信号を組み合わせた、暗号化されていないハードウェア仕様をProbe Framesから抽出する。 この論文の中核となる貢献は、デバイス識別精度を向上させる高スループット(HT)機能情報フィールドのビット分解である。 我々は,この非教師付きクラスタリングアルゴリズム (K-Means, DBSCAN, OPTICS) を用いて, この非ランダム化手法を評価する。 以上の結果から,分解したHT機能情報と3つのSRSSI測定値を用いたDBSCANは,最大89.6%の精度を達成できた。 このことは、既存のMACランダム化ソリューションは不十分であり、Wi-Fi標準化におけるプライバシー強化の必要性を浮き彫りにしている。

関連論文リスト

• A 6G Integrated Sensing and Communication Framework for Railway Intrusion Detection and Collision Prediction [2.1792156110421668]
  ISAC(Integrated Sensing and Communication)は、センシングと通信を組み合わせて無線リソースを効率的に活用する。 ISACはチャネル状態情報(CSI)を用いた物理層センシングを可能にする 本研究では,3次元畳み込みニューラルネットワーク(3D CNN)と双方向長短期記憶(BiLSTM)ネットワークを組み合わせた機械学習モデルを構築し,軌道危険帯の侵入者を検出する。
  論文  参考訳（メタデータ） (2026-08-05T11:24:03Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Things that Matter -- Identifying Interactions and IoT Device Types in Encrypted Matter Traffic [0.9176056742068813]
  我々は、Matter IoT標準のロバスト性を、受動的盗聴者によって実行される暗号化トラフィック分析に分析する。 暗号化されたMatterトラフィックのメタデータのパターンを特定し、エンドデバイスとコントローラの間で発生した特定のインタラクションを推測する。 これらのパターンは、受動的攻撃者がネットワークで使用されるデバイスのタイプを推測できる指紋を作成するために使用することができる。
  論文  参考訳（メタデータ） (2026-02-02T10:34:06Z)
• Effectively Identifying Wi-Fi Devices through State Transitions [0.8192907805418581]
  Wi-Fi管理フレームはMACアドレスのランダム化の下でも持続する構造化通信パターンを示す。 本稿では,受動的に観察された管理フレームから抽出された行動力学に基づいて,Wi-Fiデバイスを指紋で識別する新しいフレームワークを提案する。 本手法は,Wi-Fi管理フレームのみを用いて,非ランダム化装置の識別精度を86%以上向上させる。
  論文  参考訳（メタデータ） (2025-07-03T09:35:38Z)
• Learning to Localize Leakage of Cryptographic Sensitive Variables [13.98875599619791]
  本研究では,異なる時点に記録された測定値による相対的漏洩量を決定するための,原理的深層学習フレームワークを開発する。 この情報は、暗号ハードウェア設計者にとって、ハードウェアリークの理由を理解する上で貴重なものだ。
  論文  参考訳（メタデータ） (2025-03-10T15:42:30Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Leveraging Machine Learning for Accurate IoT Device Identification in Dynamic Wireless Contexts [4.002351785644765]
  この研究は、細粒度チャネルのダイナミックスを捉えるための新しいアプローチとして「累積スコア」を導入している。 提案手法を実装し,実世界のシナリオにおけるデバイス識別の精度とオーバヘッドを測定した。 その結果、バランスの取れたデータ収集と機械学習アルゴリズムの蓄積スコアを組み込むことで、デバイス識別のF1スコアが97%以上に達することを確認した。
  論文  参考訳（メタデータ） (2024-05-15T22:34:52Z)
• Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security [7.8344795632171325]
  次世代ネットワークは、人間、機械、デバイス、システムをシームレスに相互接続することを目的としている。 この課題に対処するため、Zero Trust(ZT)パラダイムは、ネットワークの完全性とデータの機密性を保護するための重要な方法として登場した。 この研究は、新しいディープラーニングベースの無線デバイス識別フレームワークであるEPS-CNNを導入している。
  論文  参考訳（メタデータ） (2024-02-08T00:23:42Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。