从健身应用共享的海拔剖面学习位置信息：一种隐私视角

智能手机和可穿戴设备的广泛使用促进了许多有用应用的发展。例如，借助配备全球定位系统（GPS）的智能和可穿戴设备，许多应用可以收集、处理并共享丰富的元数据，如地理定位、轨迹、海拔和时间。例如，Runkeeper 和 Strava 等健身应用利用这些信息进行活动追踪，近年来人气激增。这些健身追踪应用拥有自己的网络平台，并允许用户在此类平台甚至其他社交网络平台上共享活动。为了在允许共享的同时保护用户隐私，其中一些平台可能允许用户披露部分信息，例如某项活动的海拔剖面，这据称不会泄露用户的位置。在这项工作中，作为一个警示故事，我们创建了一个概念验证，考察海拔剖面可在多大程度上用于预测用户的位置。为应对这一问题，我们设计了三种合理的威胁场景，在此类场景下可预测目标所在的城市或行政区。这些威胁场景定义了攻击者发起预测攻击时可获得的信息量。在证实海拔剖面的简单特征（如频谱特征）不足之后，我们设计了受自然语言处理（NLP）启发的类文本表示和受计算机视觉启发的类图像表示，并将手头问题转化为文本和图像分类问题。我们同时使用传统机器学习和基于深度学习的技术，取得了 59.59% 至 99.80% 的预测成功率。这些发现令人警觉，突显出共享海拔信息可能带来显著的位置隐私风险。