该论文来自 arXiv(cs.LG / cs.NI),关注 Wi-Fi 信号数据被滥用导致的个人隐私泄露问题。作者指出,现有的人体定位/姿态预测研究普遍依赖信道状态信息(CSI),因为 CSI 能提供子载波级的高粒度信道特征,定位精度高。但 CSI 采集通常需要提升的操作系统权限以及专用网卡驱动与固件支持,在多数消费级 IoT 设备上难以实现,这限制了此类隐私攻击的适用范围。相对地,RSSI(接收信号强度指示)在普通设备上几乎总能读取,甚至仅需有限用户权限即可获得,只以 dBm 数值形式呈现,粒度远低于 CSI,但可获得性极强。 论文的核心研究问题是:能否跳过重新采集训练数据的繁琐过程,直接把低粒度的 RSSI 数据喂给一个已经用 CSI 训练好的模型,实现跨域推理(cross-domain inference)并预测人的位置?为此,作者收集了一套 RSSI 数据集,并与室内人员移动的视频真值进行时间同步,用该数据集评估现有 CSI 姿态预测模型在 RSSI 输入下的表现。实验结果表明,当室内存在人体移动时,RSSI 数据可达到约 80% 的置信度用于位置预测。这证明以 CSI 训练的模型可以被复用来处理由 dBm 组成的低粒度 RSSI 数据,从而粗略定位采集空间内的人员。作者由此得出结论:在 Wi-Fi 密集的环境中,大量权限受限的普通 IoT 设备都可能被用于侵犯隐私。 该工作属于隐私侧信道与无线感知方向,价值在于把'高门槛 CSI 攻击'降级为'低门槛 RSSI 攻击',并验证了模型跨域迁移的可行性,对 IoT 隐私风险评估与无线频谱侧防护研究具有参考意义。