Zdokonalení simulace pohybu mobilního zařízení v nástroji JShelter

Abstract

Moderní chytré telefony vybavené různými senzory, jako jsou akcelerometry a gyroskopy, jsou náchylné ke zneužití a umožňují útočníkům sledovat, odposlouchávat nebo vytvářet digitální otisky bez jejich souhlasu. JShelter proti těmto hrozbám bojuje tím, že data ze senzorů maskuje pomocí realistických simulací. Tato práce představuje využití neuronové sítě k simulaci věrohodných pohybů uživatele, čímž překonává omezení modelů založených na fyzice. Její implementace je snadno zasazena do webového rozšíření JShelter a demonstruje vylepšené obfuskační techniky, které zvyšují soukromí uživatelů, aniž by výrazně omezily funkčnost rozšíření. Vyhodnocení pomocí nejmodernějšího systému rozpoznávání aktivit ukazuje, že ve více než 98 % případů klasifikátor správně identifikuje aktivitu simulovanou systémem JShelter, což dokazuje realističnost a robustnost systému generování vzorků.

Modern smartphones, equipped with various sensors like accelerometers and gyroscopes, are susceptible to misuse, enabling adversaries to track, eavesdrop, or fingerprint users without their consent. JShelter mitigates these threats by obfuscating sensor data through realistic simulations. This thesis presents a Generative Adversarial Network to simulate authentic user movements and overcome the limitations of physics-based models. The implementation integrates seamlessly into the JShelter browser extension, demonstrating improved obfuscation techniques that enhance user privacy without significantly compromising functionality. Evaluation using a state-of-the-art activity recognition system shows that, in over 98 % of cases, the classifier correctly identifies the activity simulated by JShelter, demonstrating the realism and robustness of the sample generation system.