Твой Wi-Fi силуэт как отпечаток пальца? 🔍📡

Итальянские ученые создали систему WhoFi, которая идентифицирует человека по тому, как его тело искажает Wi-Fi сигналы! 🤯 Даже если сменишь одежду или наденешь кепку — уникальный «радиоотпечаток» останется. Технология распознает тебя в разных локациях через помехи в беспроводных сетях. Потенциально полезно для умных домов, но и риски конфиденциальности огромны. Звучит как фантастика? Увы, уже тестируется в реальных условиях. 🤖💡 Теперь одноразовые маски для лица недостаточны — пора придумывать радио-невидимки?

Технологический прорыв в RF-биометрии

Исследователи Университета Ла Сапиенца (Рим) представили систему WhoFi — революционный метод идентификации людей по уникальным искажениям Wi-Fi сигналов, создаваемым человеческим телом. Технология достигает 95.5% точности без необходимости ношения пользователем мобильных устройств, открывая новые перспективы для бесконтактной аутентификации и интеллектуальных систем безопасности.

Физические основы технологии

Принцип WhoFi основан на фундаментальных свойствах распространения радиоволн в средах с неоднородностями:

// Псевдокод процесса формирования RF-отпечатка
signal = transmit_wifi_signal()
csi_data = capture_csi(signal) // Запись амплитуды и фазы
body_distortion = extract_distortion_pattern(csi_data)
fingerprint = neural_network.encode(body_distortion)

Анализ CSI (Channel State Information)

Ключевые параметры в технологии RF-биометрии:

• Амплитудные искажения: Изменение мощности сигнала (dBm) при прохождении через ткани
• Фазовые сдвиги: Задержки распространения (ns), зависящие от плотности тканей
• Многолучевое распространение: Интерференция сигналов, отраженных от тела

Архитектура нейросетевой обработки

Система использует трансформерную архитектуру для обработки пространственно-частотных характеристик:

# Упрощенная модель обработки CSI в PyTorch
import torch.nn as nn

class CSIEncoder(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=(3, 64)),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.transformer = nn.TransformerEncoder(
            nn.TransformerEncoderLayer(d_model=512, nhead=8),
            num_layers=6
        )

    def forward(self, csi_tensor):
        x = self.conv_layers(csi_tensor)
        x = self.transformer(x)
        return x

Метрики производительности

Прикладные сценарии использования

Корпоративная безопасность: