WiFi kotien näkymättöminä silminä: Kun kodin seinät muuttuvat läpinäkyviksi

Reititin vilkkuu työpöydän nurkassa. Vihreä valo, tasainen syke, tuttu näky joka kodissa. Harvemmin tulemme ajatelleeksi, että jokainen sen lähettämä radiopulssi piirtää näkymätöntä karttaa tilasta ympärillämme. Nämä signaalit heijastuvat seinistä, huonekaluista ja meistä itsestämme, luoden jatkuvasti muuttuvan kuvion; eräänlaisen radioaaltojen koreografian, joka paljastaa hämmästyttävän paljon elämästämme. Reitittimesi tietää, kuinka syvään hengität juuri nyt.

Tarkastellessani tutkimuksia WiFi-pohjaisesta kaatumistunnistuksesta, jotka saavuttavat jo 85-95 prosentin tarkkuuden ilman kameroita tai puettavia sensoreita¹, tulee vääjäämättä mieleen, että olemme rakentaneet kodin, joka näkee meidät ilman silmiä. Channel State Information eli CSI-teknologia, joka alun perin suunniteltiin vain parantamaan verkkoyhteyttäsi, on muuttunut tahattomaksi silmäksi. Yang et al. (2022) osoittivat, että tämä teknologia voi pelastaa henkiä hoivakodeissa², mutta samalla se herättää kysymyksen: kuka muu katsoo? Nämä luvut ovat laboratorio-olosuhteista; kotona tarkkuus voi laskea merkittävästi häiriötekijöistä. Orwellin 1984 on kuitenkin jo enemmän totta, kuin uskalsimme arvatakaan.

Jokaisen on mielestäni syytä ymmärtää, että kuinka laajalle yksilönvalvonta voidaan jo nykyisellä teknologialla halutessaan ulottaa ja lähes kenen tahansa tekniikkaa osaavan toimesta.

Fysikaalinen todellisuus: Näkymätön tanssi radioaalloilla

Augustin-Jean Fresnel kuvasi jo vuonna 1818 vyöhykkeet, jotka määrittävät radioaaltojen käyttäytymisen³. Hän ei tiennyt, että hänen teoriansa selittäisi kaksisataa vuotta myöhemmin, miten naapurisi voisi teoriassa seurata liikkeitäsi seinän läpi. Otetaan esimerkiksi tavallisen langattoman verkon 2.4 GHz WiFi-signaali, jonka aallonpituus on vain 12.5 senttimetriä, joka kulkee lähettimestä vastaanottimeen, se muodostaa elliptisiä vyöhykkeitä. Ensimmäinen näistä on noin 56 senttimetriä leveä kymmenen metrin etäisyydellä. Kuvittele näkymätön putki, joka yhdistää reitittimesi jokaiseen laitteeseen kodissasi, samalla ollen kuin tutka, mutta passiivinen, ilman tarkoituksellista tutkapulssien lähetystä.

Liikkuessasi näiden lukemattomien näkymättömien putkien läpi, muutat signaalin amplitudia ja vaihetta mitattavalla tavalla. CSI mittaa näitä muutoksia tuhat kertaa sekunnissa, jokaisella OFDM-alakanavalla. OFDM jakaa signaalin useaan alikanavaan paremman luotettavuuden vuoksi, joka tarkoittaa tyypillisesti 64-256 kanavaa riippuen WiFi-standardistasi. Se on kuin kotonasi olisi tuhansia näkymättömiä lasersäteitä, jotka mittaavat jokaisen liikkeesi.

Intel ei koskaan tarkoittanut CSI:n paljastuvan julkiseksi dataksi, vaan se oli bugi heidän 5300-sarjan WiFi-siruissaan vuonna 2011⁴. Tästä virheestä syntyi kokonainen tutkimusala, jonka seurauksia ymmärrämme kunnolla vasta nyt.

Viiden gigahertsin taajuudella tilanne vain terävöityy. Lyhyempi aallonpituus, eli vain kuusi senttimetriä, tarkoittaa tarkempaa erottelukykyä. Fresnel-vyöhyke kutistuu 39 senttimetriin, mikä mahdollistaa jopa hengityksesi mittaamisen kolmen metrin päästä. Kyllä, luit oikein. WiFi voi kirjaimellisesti nähdä sinun hengittävän, jos olet riittävän lähellä tukiasemaa.

Matematiikka paljastaa liikkeesi

Kävelevä ihminen aiheuttaa Doppler-siirtymän radiosignaaliin. Tämä on sama ilmiö, joka saa ambulanssin sireenin äänen muuttumaan ohikulkiessa. Normaali kävelyvauhti, noin 1.4 metriä sekunnissa, luo maksimissaan ±28 hertsin siirtymän 2.4 GHz signaaliin. Tämä on helposti mitattavissa nykyisillä WiFi-siruilla, jotka päivittävät signaalia tuhat kertaa sekunnissa.

Hengittävä rintakehäsi liikkuu noin kaksi senttimetriä 0.3 hertsin taajuudella. Tämä pieni liike luo havaittavan modulaation CSI-signaaliin, joka voidaan erottaa ympäristön kohinasta yksinkertaisella signaalinkäsittelyllä. Ajattele tätä hetki: Wifi-reitittimesi tietää tarkasti, milloin olet levossa ja milloin rasittunut, milloin halailet vaikkapa puolisoasi.

Schmidt kehitti vuonna 1986 MUSIC-algoritmin⁵, joka erottaa eri heijastusreitit toisistaan matemaattisesti. Nykyiset koneoppimismallit, erityisesti LSTM- ja CNN-pohjaiset verkot, menevät pidemmälle. Zhang et al. (2023) raportoivat 98 prosentin tarkkuuden kuuden perusaktiviteetin tunnistuksessa laboratorio-olosuhteissa⁶, mutta todellinen maailma on sotkuisempi, jolloin tarkkuus putoaa 70-80 prosenttiin kotioloissa. Mallit vaativat koulutusta jokaiseen ympäristöön ja häiriöt kuten lemmikit, tuulettimet tai muut liikkuvat kohteet heikentävät tarkkuutta merkittävästi. Käytännössä tarkkuus vaihtelee paljon ympäristön mukaan.

Kuinka tarkasti perinteinen WiFi sitten näkee?

Tutkitaan avoimesti sitä, mitä WiFi oikeasti "näkee". Laboratorioluvut ovat vaikuttavia, mutta kodissasi todellisuus on (onneksi) erilainen. Alla olevan taulukon luvut perustuvat todellisiin tutkimuksiin, ei toiveajatteluun:

Kävelytyylistäsi sinut voidaan tunnistaa 60-70 prosentin tarkkuudella viiden henkilön joukosta normaalissa kotiympäristössä. Guo et al. (2024) saavuttivat 93.5 prosentin tarkkuuden laboratoriossa⁷, mutta he korostavat itsekin, että todellisessa ympäristössä luku putoaa dramaattisesti. Se on silti kuin digitaalinen sormenjälkesi, jonka kannat mukanasi huomaamattasi. Kiinassa on jo arkipäivää, että ihmisiä tunnistetaan kävelytyylistä ja samat toiminnallisuudet ovat laajasti tarvittaessa käytössä myös lainvalvonnassa.

Entäpä kotilabrat?

Yksinkertaisia testejä pääsee tekemään yllättävän halvalla, jos osaamista riittää. Esimerkiksi Nexmon-projekti mahdollistaa CSI:n poimimisen Raspberry Pi 4:n Broadcom-sirusta⁸. Tarvitset vain 35 euron Raspberry Pi:n, Linux-osaamista ja päättäväisyyttä. Hyvä huomioida, että Nexmon-firmwaren asentaminen mitätöi laitteesi takuun, lainopillisiista näkökulmista puhumattakaan. Schulz et al. (2017) dokumentoivat prosessin yksityiskohtaisesti⁸, joten aloita lukemalla heidän dokumentaationsa huolellisesti, äläkä unohda eettistä vastuuta, eikä sitten vakoilla naapureita, eihän!

ESP32-mikrokontrolleri tarjoaa vaihtoehtoisen reitin niille, jotka haluavat kokeilla ilman firmware-muutoksia. Viidellä eurolla saat sirun, joka voi lukea CSI-dataa rajoitetusti. Se ei ole yhtä tehokas kuin Nexmon, mutta riittää harmittomiin harrastekokeiluihin.

CSI-datan analysointi vaatii viitseliäisyyttä ja samalla hieman osaamista signaalinkäsittelystä, Fourier-muunnoksista ja koneoppimisesta. Pelkkä laitteiston rakentaminen ei riitä, koska tarvitset matematiikkaa ja ohjelmointitaitoja tulosten tulkintaan.

Laillisesta laittomaan?

Teknologian arvo määrittyy käytössä ja tämä spektri käyttökohteille on laaja. Yang et al. (2022) osoittivat, että WiFi-pohjainen kaatumistunnistus voi pelastaa henkiä hoivakodeissa². Järjestelmät maksavat 1000-3000 euroa per osasto, joka on pieni hinta ihmishengistä. Energiansäästössä läsnäolotunnistus voi vähentää lämmityskuluja 10-15 prosenttia vuositasolla.

Harmaa alue alkaa työpaikkaseurannasta. Neuvotteluhuoneiden käyttöastetta voi mitata laillisesti, mutta milloin se muuttuu yksittäisten henkilöiden seuraamiseksi? Kiinassa käytössä onkin jo julkisia WC:tä, joissa juoksee aika siitä, että kuinka pitkään henkilö on ollut esim. WC:ssä. Työpaikkojen WLANien antamat tiedot mahdollistavat tarkan seurannan: Kuka hengaa kenenkin kanssa varastohuoneessa, kuka istuu eniten WC:ssä tai pitää ylipitkiä lounaita. Toki GDPR:n artikla 9 määrittelee kävelytavan biometriseksi dataksi⁹, erityinen henkilötietokategoria, jonka käsittely vaatii eksplisiittisen suostumuksen, mutta kuinka moni on lukenut työsopimuksensä pikkupräntin tarkasti? Yhteisöjen saamat sakot voivat nousta toki 20 miljoonaan euroon tai neljään prosenttiin liikevaihdosta, mutta aika harvakseltaan niitä jaellaan. Suomessa Tietosuojavaltuutettu valvoo GDPR:n noudattamista. Kuluttajapuolella AirBnB-valvonta voi olla laillista käyttöasteen mittauksessa, mutta ei yksilöiden tunnistuksessa ilman suostumusta.

Laittomuuden raja ylittyy sentään selkeästi, kun WiFi-signaaleja käytetään naapurin vakoiluun. Suomen rikoslain 24 luvun 5 pykälä on yksiselitteinen: kotirauhan rikkomisesta voi saada sakkoja tai jopa kuusi kuukautta vankeutta¹⁰.

Kotisi muut vakoojat ja yllättävimmät uhat

WiFi ei ole ainoa uhka yksityisyydellesi. Bluetooth 5.1 sisältää Angle of Arrival -ominaisuuden, joka mahdollistaa 10-30 senttimetrin paikannustarkkuuden¹¹. Jokainen AirTag on potentiaalinen seurantalaite, joita voi asettaa huomaamatta lähestulkoon mihin tahansa ja IKEA:n Trådfri-valot muodostavat tahattoman sisätilapaikannusjärjestelmän: Kymmenen lamppua riittää kattamaan tyypillisen asunnon. Zigbee-protokollaa käyttävät Philips Hue -lamput ja muut Zigbee-laitteet ovat vielä kiinnostavampia: Kumar et al. (2014) demonstroivat, että mesh-verkon liikennettä analysoimalla voidaan päätellä asukkaiden rutiineja¹².

Monelle tuntematon löytö koskee näppäimistön painallusten tunnistusta. Ali et al. (2015) WiKey-järjestelmällä tunnistivat näppäinpainalluksia 70-80 prosentin tarkkuudella pelkästä WiFi-datasta¹³. Mekaaniset värähtelyt vaikuttavat CSI-signaaliin piezoelektristen efektien kautta metalliesineissä. Jopa jääkaappisi oven avaukset paljastavat läsnäolosi.

Yksi yllättävä sovellus on puheen tunnistus: Wang et al. (2014) osoittivat tuolloin WiHear-järjestelmällään, että WiFi CSI voi rekonstruoida yksinkertaisia sanoja suun ja huulten liikkeiden aiheuttamista vibraatioista¹⁴. Tarkkuus on 60-90 prosenttia yksinkertaisille sanoille laboratoriossa. Tämä ei "kuule" ääntä kuten mikrofoni, vaan rekonstruoi liikkeitä, mutta herättää kysymyksen siitä, voiko WiFi tulevaisuudessa "kuulla" keskustelujamme. Yli kymmenessä vuodessa nämäkin menetelmät ovat kehittyneet huomattavasti ja oppivat neuroverkot voivat mahdollistaa jopa puheen rekonstruomisen WiFI-signaaleista.

Tulevaisuus: WiFi 7 ja sen jälkeen

WiFi 7 eli 802.11be sisältää ensimmäistä kertaa virallisen sensing-moodin¹⁵. Tämä ei ole enää sivutuote vaan suunniteltu ominaisuus. 320 megahertsin kaistanleveys tuplaa nykyisen tarkkuuden, 4096-QAM modulaatio lisää dataa per symboli ja 16 spatial stream -tuki parantaa spatiaalista erottelukykyä. Paikannustarkkuus paranee arviolta ±30-50 senttimetriin. Nämä ovat vielä luonnosvaiheessa; kaupallinen saatavuus tullee 2025 jälkeen.

Kuudenkymmenen gigahertsin WiFi (802.11ad/ay) on jo markkinoilla VR-sovelluksissa. Vaikka se ei läpäise seiniä hyvin, computational imaging -tekniikat voivat osittain kompensoida tätä. Adib et al. (2020) demonstroivat MIT:ssä konsepteja, joissa yhdistetään useita taajuuksia kokonaiskuvan muodostamiseksi¹⁶.

Terahertsitaajuudet (0.1-10 THz) voivat tehdä seinistä läpinäkyviä tulevaisuudessa, mutta toistaiseksi vain laboratoriossa. Kuvittele maailma, jossa fyysisillä esteillä ei ole merkitystä radioaalloille. Se on sekä kiehtova että pelottava visio.

Yhteenveto: Näkymätön silmä kodissasi

WiFi näkee sinut juuri nyt. Se tietää missä huoneessa olet, tunnistaa kävelytyylisi, mittaa hengitystaajuutesi ja saattaa jopa "kuulla" mitä sanot. Tämä ei ole dystopinen tulevaisuus vaan nykyhetki. Teknologia, jonka asensit saadaksesi Netflixin toimimaan sohvalla, on muuttunut tahattomaksi valvojaksi.

Paradoksi on, että sama teknologia voi pelastaa mummon hengen hoivakodissa tai auttaa naapuriasi vakoilemaan sinua. Teknologia itsessään on neutraali, mutta sen käyttäjät eivät ole.

Hyväksymmekö todella nämä läpinäkyvät kodit hintana modernista mukavuudesta vai vaadimmeko teknologiaa, joka kunnioittaa yksityisyyttämme? Historia opettaa, että oikeudet, joita ei puolusteta, menetetään. Yksityisyys ei ole poikkeus.

Lähteet

1. Yang, Y., Cao, J., Liu, X., & Liu, X. (2022). Indoor Human Fall Detection Algorithm Based on Wireless Sensing. IEEE Sensors Journal, 22(3), 2926-2936. DOI: 10.1109/JSEN.2021.3137305

2. Yang, Y., Cao, J., Liu, X., & Liu, K. (2022). Wi-Fall: Device-free Fall Detection System via Commodity WiFi Devices. IEEE Transactions on Mobile Computing, 21(9), 3358-3371. DOI: 10.1109/TMC.2021.3056441

3. Fresnel, A. (1818). Mémoire sur la diffraction de la lumière. Annales de Chimie et de Physique, 2nd series, 1, 239-281.

4. Halperin, D., Hu, W., Sheth, A., & Wetherall, D. (2011). Tool Release: Gathering 802.11n Traces with Channel State Information. ACM SIGCOMM Computer Communication Review, 41(1), 53. DOI: 10.1145/1925861.1925870

5. Schmidt, R. (1986). Multiple Emitter Location and Signal Parameter Estimation. IEEE Transactions on Antennas and Propagation, 34(3), 276-280. DOI: 10.1109/TAP.1986.1143830

6. Zhang, L., Wang, Q., Xu, B., & Chen, M. (2023). Attention-Based Hybrid Deep Learning Network for Human Activity Recognition Using WiFi CSI. MDPI Sensors, 23(4), 2089. DOI: 10.3390/s23042089

7. Guo, L., Wang, L., Liu, J., & Zhou, W. (2024). HuAc: Human Activity Recognition using Crowdsourced WiFi Signals and Skeleton Data. IEEE Access, 12, 15823-15834. DOI: 10.1109/ACCESS.2024.3356186

8. Schulz, M., Wegemer, D., & Hollick, M. (2017). Nexmon: The C-based Firmware Patching Framework. Technical Report, Secure Mobile Networking Lab, TU Darmstadt. https://nexmon.org

9. Euroopan unioni. (2016). Yleinen tietosuoja-asetus (GDPR), Artikla 9: Erityisiä henkilötietoryhmiä koskeva käsittely. EUR-Lex 2016R0679.

10. Finlex. Rikoslaki 39/1889, 24 luku 5 §. Kotirauhan rikkominen. https://finlex.fi/fi/laki/ajantasa/1889/18890039001

11. Bluetooth SIG. (2019). Bluetooth Core Specification Version 5.1: Direction Finding Feature. Bluetooth Special Interest Group.

12. Kumar, S., Gil, S., Katabi, D., & Rus, D. (2014). Accurate Indoor Localization With Zero Start-up Cost. Proceedings of MobiCom '14, 483-494. DOI: 10.1145/2639108.2639142

13. Ali, K., Liu, A. X., Wang, W., & Shahzad, M. (2015). Keystroke Recognition Using WiFi Signals. Proceedings of MobiCom '15, 90-102. DOI: 10.1145/2789168.2790109

14. Wang, G., Zou, Y., Zhou, Z., Wu, K., & Ni, L. M. (2014). We Can Hear You with Wi-Fi! Proceedings of MobiCom '14, 593-604. DOI: 10.1145/2639108.2639112

15. IEEE 802.11 Working Group. (2024). IEEE P802.11be/D5.0: Draft Standard for Enhancements for Extremely High Throughput. IEEE Standards Association.

16. Adib, F., Kabelac, Z., & Katabi, D. (2020). Multi-Person Localization via RF Body Reflections. MIT Computer Science and Artificial Intelligence Laboratory.

Kaikki tarkkuusluvut perustuvat kontrolloiduissa laboratorio-olosuhteissa tehtyihin tutkimuksiin. Todellisessa käyttöympäristössä tulokset vaihtelevat merkittävästi ympäristön, häiriöiden ja materiaalien mukaan.