Anonimização de Traços Wi-Fi com Controle do K-Anonimato em Ambientes de Execução Confiável

• Pedro V. Rubinstein UFRJ
• Fernando Dias de M. Silva UFRJ
• Guilherme A. Thomaz UFRJ
• Miguel Elias M. Campista UFRJ
• Luís Henrique M. K. Costa UFRJ

DOI: https://doi.org/10.5753/sbrc.2026.20005

Resumo

O monitoramento Wi-Fi possui diversas aplicações, como localização e contagem de pessoas. Porém, é fundamental preservar a privacidade dos usuários. Por outro lado, dispositivos de coleta que operam em locais públicos e sem supervisão estão sujeitos a ataques que podem comprometê-los. Este trabalho apresenta um sniffer que utiliza ambientes de execução confiáveis no processo de coleta de traços para anonimizar os dados no dispositivo de forma segura. Assim, o anonimato de dados previamente armazenados é preservado, mesmo na presença de atacantes que controlem o sistema operacional do dispositivo. Para isso, o sniffer implementado garante um nível de k-anonimato dos endereços MAC. Ademais, a implementação realizada otimiza o uso de memória RAM para apenas 10 MB, considerados os ambientes tradicional e de execução confiável, possibilitando a implementação em dispositivos limitados. Os experimentos revelam que a latência adicional das rotinas criptográficas no ambiente confiável não impede o monitoramento Wi-Fi em cenários realistas.

Referências

Capponi, A., Fiandrino, C., Kantarci, B., Foschini, L., Kliazovich, D. e Bouvry, P. (2019). A Survey on Mobile Crowdsensing Systems: Challenges, Solutions and Opportunities. IEEE Communications Surveys & Tutorials, 21:2419–2465.

Das, A., Narayan, K. e Chakraborty, S. (2022). Leveraging ambient sensing for the estimation of curiosity-driven human crowd. Em 2022 IEEE International Systems Conference (SysCon), páginas 1–8.

Determe, J.-F., Azzagnuni, S., Singh, U., Horlin, F. e De Doncker, P. (2022). Monitoring Large Crowds With WiFi: A Privacy-Preserving Approach. IEEE Systems Journal, 16(2):2148–2159.

Göttel, C., Felber, P. e Schiavoni, V. (2019). Developing secure services for iot with op-tee: a first look at performance and usability. Em Distributed Applications and Interoperable Systems: 19th IFIP WG 6.1 International Conference (DAIS), páginas 170–178.

Manjappa, R., Rao, V., Prasad, R. V. e Sinitsyn, A. (2019). Estimating crowd distribution using smart bulbs. Em 2019 IEEE Global Communications Conference (GLOBECOM), páginas 1–6. IEEE.

Martin, J., Mayberry, T., Donahue, C., Foppe, L., Brown, L., Riggins, C., Rye, E. e Brown, D. (2017). A study of mac address randomization in mobile devices and when it fails. Proceedings on Privacy Enhancing Technologies, 2017.

Ngabonziza, B., Martin, D., Bailey, A., Cho, H. e Martin, S. (2016). Trustzone explained: Architectural features and use cases. Em IEEE 2nd International Conference on Collaboration and Internet Computing (CIC), páginas 445–451. IEEE.

Project, A. T. (2023). Teaclave trustzone sdk. [link]. Acessado em: 2026-01-28.

Reichl, P., Oh, B., Ravitharan, R. e Stafford, M. (2018). Using Wifi Technologies to Count Passengers in Real-time around Rail Infrastructure. Em International Conference on Intelligent Rail Transportation (ICIRT), páginas 1–5.

Ribeiro, R. H., Rodrigues, B. B., Killer, C., Baumann, L., Franco, M. F., Scheid, E. J. e Stiller, B. (2021). ASIMOV: A Fully Passive WiFi Device Tracking. Em 2021 IFIP Networking Conference (IFIP Networking), páginas 1–3.

Sakib, M. N., Halim, J. B. e Huang, C.-T. (2014). Determining Location and Movement Pattern Using Anonymized WiFi Access Point BSSID. Em 7th International Conference on Security Technology, páginas 11–14.

Silva, F. D. M., kumar Mishra, A., Viana, A. C., Achir, N., Fladenmuller, A. e Costa, L. H. M. K. (2022). Performance Analysis of a Privacy-Preserving Frame Sniffer on a Raspberry Pi. Em 6th Cyber Security in Networking Conference (CSNet).

Tan, J. e Gary Chan, S.-H. (2021). Efficient Association of Wi-Fi Probe Requests under MAC Address Randomization. Em IEEE INFOCOM 2021 - IEEE Conference on Computer Communications, páginas 1–10.

Tan, K. e Kotz, D. (2010). Saluki: A high-performance Wi-Fi sniffing program. Em 8th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks, páginas 591–596.

Verma, V. e Singh, A. (2019). Indoor Location Determination using Radio Signal Strength Model for Distance Estimation. Em 2019 International Conference on Computer Communication and Informatics (ICCCI), páginas 1–4.

Wang, S., Zhang, L., Lin, L. e Zhang, L. (2021). Wi-Fi Sniffing Data Based Passenger-flow Detection Method Applied in Urban Rail Transit. Em 2021 IEEE 6th International Conference on Computer and Communication Systems (ICCCS), páginas 17–21.