ЕКСПЕРИМЕНТАЛЬНИЙ ПОЛІГОН ДЛЯ ОЦІНЮВАННЯ МЕТОДІВ ПРОСТОРОВОЇ ІДЕНТИФІКАЦІЇ Wi-Fi У КРИТИЧНІЙ ІНФОРМАЦІЙНІЙ ІНФРАСТРУКТУРІ ТА АНАЛІЗ ПРАКТИЧНОГО ЕФЕКТУ ВІД ВПРОВАДЖЕННЯ

Анотація

У статті обґрунтовано концепцію та архітектуру експериментального полігону для відтворюваного й
безпечного оцінювання методів просторової ідентифікації джерел Wi-Fi у середовищах критичної інформаційної
інфраструктури (КІІ). Сформовано вимоги до полігону: контрольована топологія сенсорів, зони з екрануванням
і навмисною багатопроменевістю, динамічні перешкоди, а також можливість безпечної реалізації типових атак
(rogue AP, evil twin, deauthentication) поза продуктивними контурами. Запропоновано систему метрик, яка
інтегрує якість локалізації (середня та медіанна похибка, 95-й перцентиль), показники детектування й
класифікації (Precision, Recall, F1, ROC-AUC) та операційні характеристики SOC (середній час до виявлення, час
до локалізації джерела, частота хибнопозитивних спрацювань, витрати робочого часу аналітика). Описано
протокол збору даних та правила формування навчальних і тестових підмножин з урахуванням дрейфу
радіосередовища. Окремо викладено модель оцінювання практичного ефекту впровадження, яка пов’язує
технічні метрики з ризиком інцидентів, простоями обслуговуваних сервісів та витратами на реагування.
Експериментально показано, що гібридні методи локалізації забезпечують медіанну похибку 1,12 м проти 2,7 м
для класичної RSSI-трилатерації, а гібридний детектор атак досягає ROC-AUC 0,962. Результати придатні для
апробації, впровадження у КІІ та підготовки матеріалів за вимогами фахових видань.
Ключові слова: кібербезпека Wi-Fi; критична інформаційна інфраструктура; просторова локалізація;
експериментальний полігон; виявлення rogue AP; SOC; метрики ефективності.

Перелік посилань
1. Frankel S., Eydt B., Owens L., Scarfone K. Establishing Wireless Robust Security Networks: A Guide to IEEE
802.11i. NIST Special Publication 800-97. Gaithersburg, MD: National Institute of Standards and Technology, 2007. 162
p. DOI: https://doi.org/10.6028/NIST.SP.800-97.
2. Souppaya M., Scarfone K. Guidelines for Securing Wireless Local Area Networks (WLANs). NIST Special
Publication 800-153. Gaithersburg, MD: National Institute of Standards and Technology, 2012. 46 p. DOI:
https://doi.org/10.6028/NIST.SP.800-153.
3. Scarfone K. A., Dicoi D., Sexton M., Tibbs C. Guide to Securing Legacy IEEE 802.11 Wireless Networks.
NIST Special Publication 800-48 Rev. 1. Gaithersburg, MD : National Institute of Standards and Technology, 2008. DOI:
https://doi.org/10.6028/NIST.SP.800-48r1.
4. Liu H., Darabi H., Banerjee P., Liu J. Survey of wireless indoor positioning techniques and systems // IEEE
Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 2007. Vol. 37, no. 6. P. 1067-1080.
DOI: https://doi.org/10.1109/TSMCC.2007.905750.
5. Zafari F., Gkelias A., Leung K. K. A Survey of Indoor Localization Systems and Technologies // IEEE
Communications Surveys and Tutorials. 2019. Vol. 21, no. 3. P. 2568-2599. DOI: https://doi.org/10.1109/ COMST.
2019.2911558.
6. Xu Q., Zheng R., Saad W., Han Z. Device Fingerprinting in Wireless Networks: Challenges and Opportunities
// IEEE Communications Surveys and Tutorials. 2016. Vol. 18, no. 1. P. 94-104. DOI: https://doi.org/10.1109/
COMST.2015.2476338.
7. Soltanieh N., Norouzi Y., Yang Y., Karmakar N. C. A Review of Radio Frequency Fingerprinting Techniques
// IEEE Journal of Radio Frequency Identification. 2020. Vol. 4, no. 3. P. 222-233. DOI: https://doi.org/10.1109/
JRFID.2020.2968369.
8. Restuccia F., D’Oro S., Melodia T. Securing the Internet of Things in the Age of Machine Learning and
Software-Defined Networking // IEEE Internet of Things Journal. 2018. DOI: https://doi.org/10.1109/JIOT.
2018.2846040.
9. Vielberth M., Böhm F., Fichtinger I., Pernul G. Security Operations Center: A Systematic Study and Open
Challenges // IEEE Access. 2020. Vol. 8. P. 227756-227779. DOI: https://doi.org/10.1109/ACCESS.2020.3045514.
10. Adesina D., Hsieh C.-C., Sagduyu Y. E., Qian L. Adversarial Machine Learning in Wireless Communications
Using RF Data: A Review // IEEE Communications Surveys and Tutorials. 2023. Vol. 25, no. 1. P. 77-100. DOI:
https://doi.org/10.1109/COMST.2022.3205184.
11. Wong L. J., Michaels A. J. Transfer Learning for Radio Frequency Machine Learning: A Taxonomy and
Survey // Sensors. 2022. Vol. 22, no. 4. Art. 1416. DOI: https://doi.org/10.3390/s22041416.
12. Shang S., Wang L. Overview of WiFi fingerprinting-based indoor positioning // IET Communications. 2022.
Vol. 16, no. 7. P. 725-733. DOI: https://doi.org/10.1049/cmu2.12386.
13. Singh N., Choe S., Punmiya R. Machine Learning Based Indoor Localization Using Wi-Fi RSSI Fingerprints:
An Overview // IEEE Access. 2021. Vol. 9. P. 127150-127174. DOI: https://doi.org/10.1109/ACCESS.2021.3111083.
14. Meng W., Xiao W., Ni W., Xie L. Secure and robust Wi-Fi fingerprinting indoor localization // 2011
International Conference on Indoor Positioning and Indoor Navigation. 2011. P. 1-7. DOI: https://doi.org/ 10.1109/
IPIN.2011.6071908.
15. He S., Lin W., Chan S.-H. G. Indoor Localization and Automatic Fingerprint Update with Altered AP Signals
// IEEE Transactions on Mobile Computing. 2017. Vol. 16, no. 7. DOI: https://doi.org/10.1109/TMC.2016.2608946.
16. Dai S., He L., Zhang X. Autonomous WiFi Fingerprinting for Indoor Localization // 2020 ACM/IEEE 11th
International Conference on Cyber-Physical Systems (ICCPS). 2020. P. 141-150. DOI: https://doi.org/10.1109/
ICCPS48487.2020.00021.
17. Subbu K. P., Gozick B., Dantu R. Indoor localization through dynamic time warping // Proceedings of the
IEEE International Conference on Systems, Man and Cybernetics. 2011. P. 1639-1644. DOI: https://doi.org/10.1109/
ICSMC.2011.6083906.
18. Ledlie J., Park J.-G., Curtis D., Cavalcante A. M., Camara L., Costa A., Vieira R. D. Molé: A scalable, usergenerated WiFi positioning engine // Journal of Location Based Services. 2012. Vol. 6, no. 2. DOI: https://doi.org/
10.1080/17489725.2012.692617.
19. Wang F., Feng J., Zhao Y., Zhang X., Zhang S., Han J. Joint Activity Recognition and Indoor Localization
With WiFi Fingerprints // IEEE Access. 2019. Vol. 7. P. 80058-80068. DOI: https://doi.org/10.1109/ ACCESS.2019.
2923743.
20. Zhang Z., Lee M., Choi S. Deep-Learning-Based Wi-Fi Indoor Positioning System Using Continuous CSI of
Trajectories // Sensors. 2021. Vol. 21, no. 17. Art. 5776. DOI: https://doi.org/10.3390/s21175776.
21. Feng X., Nguyen K. A., Luo Z. WiFi Access Points Line-of-Sight Detection for Indoor Positioning Using the
Signal Round Trip Time // Remote Sensing. 2022. Vol. 14, no. 23. Art. 6052. DOI: https://doi.org/10.3390/rs14236052.
22. Chang R. Y., Liu S.-J., Cheng Y.-K. Device-Free Indoor Localization Using Wi-Fi Channel State Information
for Internet of Things // 2018 IEEE Global Communications Conference (GLOBECOM). 2018. P. 1-7. DOI:
https://doi.org/10.1109/GLOCOM.2018.8647261.
23. Bassey J., Adesina D., Li X., Qian L., Aved A., Kroecker T. Intrusion Detection for IoT Devices based on RF
Fingerprinting using Deep Learning // 2019 Fourth International Conference on Fog and Mobile Edge Computing
(FMEC). 2019. P. 98-104. DOI: https://doi.org/10.1109/FMEC.2019.8795319.
24. Song X., Fan X., He X., Xiang S., Chen K. CNNLoc: Deep-Learning Based Indoor Localization with WiFi
Fingerprinting // 2019 IEEE SmartWorld, Ubiquitous Intelligence and Computing, Advanced and Trusted Computing,
Scalable Computing and Communications, Internet of People and Smart City Innovation. 2019. P. 589-595. DOI:
https://doi.org/10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00139.
25. Jiang H., Peng C., Sun J. Deep Belief Network for Fingerprinting-Based RFID Indoor Localization // ICC
2019 - 2019 IEEE International Conference on Communications. 2019. DOI: https://doi.org/10.1109/ICC.2019.8761800.