Modelo de IA treinado em CSI consegue localizar pessoas usando apenas o sinal de Wi-Fi mais comum (RSSI)
Pesquisadores mostram que um modelo de localização humana originalmente treinado com dados de Channel State Information (CSI) -- que exige hardware e drivers especiais -- pode ser reaproveitado para inferir posição a partir de RSSI, a métrica de intensidade de sinal Wi-Fi disponível em praticamente qualquer dispositivo IoT sem permissões elevadas. O modelo atingiu cerca de 80% de confiança na detecção de movimento humano em um ambiente real testado.
Localização de pessoas via sinal Wi-Fi sem câmeras nem sensores dedicados é uma linha de pesquisa já estabelecida, mas a maior parte dela depende de Channel State Information (CSI), um dado de baixo nível sobre como o canal de rádio distorce o sinal, que só está disponível em dispositivos com chipsets específicos e geralmente exige permissões elevadas de sistema operacional e drivers especializados para ser coletado. Isso limitava a escala real desse tipo de ataque de privacidade a um conjunto pequeno de hardware.
O artigo investiga se essa limitação de hardware pode ser contornada usando RSSI (Received Signal Strength Indicator) no lugar de CSI. RSSI é uma métrica muito mais simples -- apenas a intensidade do sinal recebido, em dBm -- mas está disponível em praticamente qualquer dispositivo Wi-Fi, incluindo sensores IoT baratos e sem privilégios especiais de acesso ao sistema. A pergunta técnica central é se um modelo de pose/localização já treinado com dados de CSI consegue generalizar para essa entrada mais pobre em informação, sem re-treinamento específico para RSSI.
Para testar isso, os pesquisadores coletaram um dataset próprio de RSSI sincronizado com vídeo servindo de ground-truth, capturando o movimento real de uma pessoa em um ambiente controlado, e alimentaram esses dados no modelo pré-existente treinado em CSI. O resultado confirma a viabilidade da inferência cross-domain: o modelo conseguiu prever a localização da pessoa com aproximadamente 80% de confiança quando havia movimento humano presente no ambiente -- uma taxa de acerto moderada, mas suficiente para demonstrar que a técnica funciona sem adaptação específica ao novo tipo de dado.
A implicação de privacidade é o ponto central do trabalho: como RSSI é acessível em qualquer dispositivo IoT comum sem exigir permissões ou hardware especial, esse resultado amplia drasticamente o universo de dispositivos que podem, em princípio, ser reaproveitados para rastrear a presença e o movimento de pessoas dentro de um espaço com cobertura Wi-Fi densa -- um roteador doméstico, uma lâmpada inteligente ou qualquer sensor IoT já instalado poderia, teoricamente, virar um sensor de presença não autorizado sem que o dono do ambiente perceba, já que a coleta de RSSI não deixa rastros óbvios e não exige acesso privilegiado ao sistema operacional do dispositivo.