无可视化的跟踪：使用分布式节点的加密流量进行地理空间推断
计算机视觉与模式识别
2026-03-31 v1 机器学习
网络与互联网体系结构
摘要
动态环境的准确观测传统上依赖于合成来自多个分布式传感器的原始信号级信息。本工作考察了另一种方法：仅使用加密的数据包级信息进行地理空间推断，不访问原始感知数据。我们进一步探讨了如何将这种间接信息与直接可用的数据融合，以扩展整体推理能力。我们引入 GraySense，一个基于学习的框架，通过分析加密无线视频传输流量（如数据包大小）来执行地理空间对象跟踪，这些摄像头的视频流不可访问。GraySense 利用场景动态性与传输数据包大小之间的内在关系来推断物体运动。该框架包含两个阶段：(1) 数据包分组模块识别帧边界并从加密网络流量估计帧大小；(2) 跟踪器模块基于带有递归状态的转换器编码器，将间接的数据包输入与可选的直接摄像头输入融合，以估计物体位置。大量实验使用 CARLA 模拟器中的真实视频和仿真网络，在不同条件下表明，GraySense 在不访问原始信号的情况下实现 2.33 米的跟踪误差（欧几里得距离），在跟踪对象的尺寸范围内（4.61m x 1.93m）。鉴于此前尚未 demonstrated 的能力，这不断扩展了潜在信号用于感知的用途。
引用
@article{arxiv.2603.27811,
title = {Tracking without Seeing: Geospatial Inference using Encrypted Traffic from Distributed Nodes},
author = {Sadik Yagiz Yetim and Gaofeng Dong and Isaac-Neil Zanoria and Ronit Barman and Maggie Wigness and Tarek Abdelzaher and Mani Srivastava and Suhas Diggavi},
journal= {arXiv preprint arXiv:2603.27811},
year = {2026}
}