Anonimización de direcciones MAC

La anonimización de direcciones MAC realiza una función unidireccional sobre una dirección MAC, de modo que el resultado pueda utilizarse en sistemas de seguimiento para informes y para el público en general, haciendo prácticamente imposible obtener la dirección MAC original a partir del resultado. La idea es que este proceso permita a empresas como Google ^{[ 1 ]} y CrowdVision ^{[ 2 ]} —que rastrean los movimientos de los usuarios a través de su hardware informático— proteger simultáneamente la identidad de las personas a las que rastrean mientras rastrean el propio hardware.

Enfoques defectuosos

Hashing simple

Un ejemplo de anonimización de direcciones MAC sería usar un algoritmo hash simple. Dada una dirección de 11:22:33:44:55:66, el algoritmo hash MD5 produce eb341820cd3a3485461a61b1e97d31b1(32 dígitos hexadecimales ). ^{[ 3 ]} Una dirección que difiere en un solo carácter ( 11:22:33:44:55:67) produce 391907146439938c9821856fa181052e, ^{[ 4 ]} un hash completamente diferente debido al efecto avalancha .

El problema radica en que solo existen ^2⁴⁸ (281.474.976.710.656) direcciones MAC posibles. Dado el algoritmo de codificación, se puede crear fácilmente un índice para cada dirección posible. Mediante la compresión de tablas arcoíris , el índice puede reducirse lo suficiente como para ser portátil. La creación del índice es un problema fácilmente paralelizable , por lo que el trabajo puede acelerarse considerablemente, por ejemplo, alquilando temporalmente una gran cantidad de recursos de computación en la nube .

Por ejemplo, si una sola CPU puede calcular 1.000.000 de MAC cifrados por segundo, generar la tabla completa lleva 8,9 años-CPU. Con un conjunto de 1.000 CPU, esto solo llevaría unas 78 horas. Usando una tabla arcoíris con una "profundidad" de 1.000.000 de hashes por entrada, la tabla resultante solo contendría unos cientos de millones de entradas (unos pocos GB) y requeriría 0,5 segundos (en promedio, sin tener en cuenta el tiempo de E/S) para revertir cualquier MAC cifrado a su forma original.

En 2018, los académicos descubrieron que con equipos informáticos modernos con la capacidad de calcular 6 mil millones de hashes MD5 y 844 millones de hashes SHA-256 por segundo, los autores pueden recuperar el 100% de 1 millón de hashes en: ^{[ 5 ]}

4 minutos y 1 segundo para los hashes MD5 , y;
13 minutos y 22 segundos para SHA-256 respectivamente.

Truncamiento

Otro enfoque que se ha probado consiste en truncar la dirección MAC eliminando el identificador único de la organización (los primeros 24 bits de la dirección MAC de 48 bits). ^{[ 6 ]} Sin embargo, dado que solo se ha asignado el 0,1 % del espacio total del identificador único de la organización y no todos los fabricantes utilizan completamente su espacio de direcciones MAC asignado , esto no ofrece ningún beneficio significativo en materia de privacidad. ^{[ 7 ]} Además, los fabricantes suelen asignar bloques de direcciones contiguos a dispositivos específicos, lo que permite una asignación precisa de los dispositivos en uso , permitiendo identificar el tipo de dispositivo con solo una pequeña parte de la dirección MAC. ^[⁸^]

Ali y Dyo se acercan

Debido a las deficiencias de los enfoques existentes, los académicos han desarrollado enfoques de anonimización más robustos. ^{[ 9 ]} En particular, Junade Ali y Vladimir Dyo desarrollaron un enfoque que funciona de la siguiente manera: ^{[ 10 ]}

Utilizar funciones hash computacionalmente costosas como Bcrypt para prevenir ataques de conocimiento previo.
Truncamiento del hash resultante para lograr K-anonimato

El grado de truncamiento de un hash resultante es un equilibrio entre la privacidad ofrecida y la tasa de colisión deseada (la probabilidad de que una dirección MAC anonimizada se superponga con otra). Trabajos anteriores han sugerido que, por lo tanto, es difícil controlar el tamaño del conjunto de anonimato cuando se utilizan aproximaciones de la paradoja del cumpleaños . ^{[ 11 ]} En cambio, Ali y Dyo utilizan la tasa general de colisión en el conjunto de datos y proporcionan que la probabilidad de que haya una colisión p se puede calcular mediante $p=1-(1-1/n)^{m-1}$ donde hay m direcciones MAC y n posibles resúmenes hash. Por lo tanto, "para resúmenes de 24 bits es posible almacenar hasta 168.617 direcciones MAC con una tasa de colisiones inferior al 1 %".

Referencias

↑ "Google Maps ha estado rastreando cada uno de tus movimientos, y hay un sitio web para probarlo" . Junkee . 15 de agosto de 2014. Consultado el 10 de abril de 2016 .
↑ "Folleto de iInside retail: Líderes del mercado en tecnología de localización en interiores…" . 10 de marzo de 2014.
^ eco -n "112233445566"|md5sum = eb341820cd3a3485461a61b1e97d31b1
↑ echo -n "112233445567"|md5sum = 391907146439938c9821856fa181052e
^ Marx, Matías; Zimmer, Efraín; Mueller, Tobías; Blochberger, Maximiliano; Federrath, Hannes (2018). El hash de información de identificación personal no es suficiente . Gesellschaft für Informatik eV ISBN 978-3-88579-675-6.
↑ Fuxjaeger, P.; Ruehrup, S.; Paulin, T.; Rainer, B. (Otoño de 2016). "Hacia la monitorización Wi-Fi que preserva la privacidad para el análisis del tráfico rodado". IEEE Intelligent Transportation Systems Magazine . 8 (3): 63– 74. Bibcode : 2016IITSM...8c..63F . doi : 10.1109/MITS.2016.2573341 . ISSN 1941-1197 . S2CID 2646906 .
↑ Demir, Levent; Cunche, Mathieu; Lauradoux, Cédric (11 de junio de 2014). «Análisis de las políticas de privacidad de los rastreadores Wi-Fi». Actas del taller de 2014 sobre análisis físico . Association for Computing Machinery. pp. 39–44 . doi : 10.1145/2611264.2611266 . ISBN 978-1-4503-2825-8. S2CID 2624491 .
↑ Martin, Jeremy; Rye, Erik; Beverly, Robert (5 de diciembre de 2016). «Descomposición de la estructura de direcciones MAC para la inferencia granular de dispositivos». Actas de la 32.ª Conferencia Anual sobre Aplicaciones de Seguridad Informática . Los Ángeles, California, EE. UU.: Association for Computing Machinery. págs. 78–88 . doi : 10.1145/2991079.2991098 . ISBN 978-1-4503-4771-6.
↑ Feng, X.; Feng, Y.; Dawam, ES (agosto de 2020). «Estrategia de ciberseguridad de inteligencia artificial». 2020 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf on Cloud and Big Data Computing, Intl Conf on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech) . págs. 328–333 . doi : 10.1109/DASC-PICom-CBDCom-CyberSciTech49142.2020.00064 . ISBN 978-1-7281-6609-4.
↑ Ali, Junade; Dyo, Vladimir (25 de diciembre de 2020). Anonimato práctico basado en hash para direcciones MAC . págs. 572–579 . doi : 10.5220/0009825105720579 . ISBN 978-989-758-446-6.
↑ Demir, L.; Kumar, A.; Cunche, M.; Lauradoux, C. (2018). "Los escollos del hashing para la privacidad". IEEE Communications Surveys and Tutorials . 20 (1): 551– 565. doi : 10.1109/COMST.2017.2747598 . ISSN 1553-877X . S2CID 3571244 .

[1] "Google Maps ha estado rastreando cada uno de tus movimientos, y hay un sitio web para probarlo" . Junkee . 15 de agosto de 2014. Consultado el 10 de abril de 2016 .

[2] "Folleto de iInside retail: Líderes del mercado en tecnología de localización en interiores…" . 10 de marzo de 2014.

[3] -n "112233445566"|md5sum = eb341820cd3a3485461a61b1e97d31b1

[4] -n "112233445567"|md5sum = 391907146439938c9821856fa181052e

[5] Marx, Matías; Zimmer, Efraín; Mueller, Tobías; Blochberger, Maximiliano; Federrath, Hannes (2018). El hash de información de identificación personal no es suficiente . Gesellschaft für Informatik eV ISBN 978-3-88579-675-6.

[6] Fuxjaeger, P.; Ruehrup, S.; Paulin, T.; Rainer, B. (Otoño de 2016). "Hacia la monitorización Wi-Fi que preserva la privacidad para el análisis del tráfico rodado". IEEE Intelligent Transportation Systems Magazine . 8 (3): 63– 74. Bibcode : 2016IITSM...8c..63F . doi : 10.1109/MITS.2016.2573341 . ISSN 1941-1197 . S2CID 2646906 .

[7] Demir, Levent; Cunche, Mathieu; Lauradoux, Cédric (11 de junio de 2014). «Análisis de las políticas de privacidad de los rastreadores Wi-Fi». Actas del taller de 2014 sobre análisis físico . Association for Computing Machinery. pp. 39–44 . doi : 10.1145/2611264.2611266 . ISBN 978-1-4503-2825-8. S2CID 2624491 .

[8] Martin, Jeremy; Rye, Erik; Beverly, Robert (5 de diciembre de 2016). «Descomposición de la estructura de direcciones MAC para la inferencia granular de dispositivos». Actas de la 32.ª Conferencia Anual sobre Aplicaciones de Seguridad Informática . Los Ángeles, California, EE. UU.: Association for Computing Machinery. págs. 78–88 . doi : 10.1145/2991079.2991098 . ISBN 978-1-4503-4771-6.

[9] Feng, X.; Feng, Y.; Dawam, ES (agosto de 2020). «Estrategia de ciberseguridad de inteligencia artificial». 2020 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf on Cloud and Big Data Computing, Intl Conf on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech) . págs. 328–333 . doi : 10.1109/DASC-PICom-CBDCom-CyberSciTech49142.2020.00064 . ISBN 978-1-7281-6609-4.

[10] Ali, Junade; Dyo, Vladimir (25 de diciembre de 2020). Anonimato práctico basado en hash para direcciones MAC . págs. 572–579 . doi : 10.5220/0009825105720579 . ISBN 978-989-758-446-6.

[11] Demir, L.; Kumar, A.; Cunche, M.; Lauradoux, C. (2018). "Los escollos del hashing para la privacidad". IEEE Communications Surveys and Tutorials . 20 (1): 551– 565. doi : 10.1109/COMST.2017.2747598 . ISSN 1553-877X . S2CID 3571244 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[

[ 9 ]

[ 10 ]

[ 11 ]