Co powoduje, że modele obecności w inteligentnym domu mylą gości z mieszkańcami?

Eva Wong

IceWhale author

Eva Wong jest Technicznym pisarzem i stałym majsterkowiczem w ZimaSpace. Całe życie geek z pasją do homelabów i oprogramowania open-source, specjalizuje się w tłumaczeniu skomplikowanych koncepcji technicznych na przystępne, praktyczne przewodniki. Eva wierzy, że samodzielne hostowanie powinno być zabawą, a nie czymś onieśmielającym. Poprzez swoje samouczki umożliwia społeczności rozwiewanie tajemnic konfiguracji sprzętu, od budowy pierwszego NAS po opanowanie kontenerów Docker.

What Causes Smart Home Presence Models to Confuse Guests With Residents?

Modele obecności mylą gości z mieszkańcami, gdy aktywność w domu przypomina znaną rutynę, ale żaden wiarygodny sygnał tożsamości nie pozwala rozróżnić osoby.

Lokalny serwer inteligentnego domu może wywnioskować, że mieszkaniec jest w domu, ponieważ ruch, drzwi, światła, urządzenia multimedialne i przemieszczanie się między pomieszczeniami odpowiadają jego typowemu wzorcowi. Gość może uruchamiać te same czujniki, korzystać ze współdzielonego tabletu, pożyczyć klucz, przyjechać z mieszkańcem lub zostać po jego wyjściu. Obecność, liczba osób i tożsamość konkretnej osoby to różne zadania wnioskowania, jednak wiele automatyzacji sprowadza je do jednej etykiety, takiej jak „Alex jest w domu”.

Wykrywanie obecności i identyfikacja osoby to różne zadania

Czujnik ruchu może wskazać, że ktoś wszedł do pomieszczenia, ale nie ujawni, kto to był. Kontaktrony, zużycie energii, zmiany temperatury i oświetlenia mają takie samo ograniczenie w zakresie identyfikacji.

Badania nad wykrywaniem gości wykorzystują czas przebywania, aktywacje czujników i przemieszczanie się między pomieszczeniami, aby wnioskować o obecności gości.

Model, który wykrywa dodatkową osobę, nadal może błędnie oznaczyć ją jako mieszkańca. Liczba osób może być prawidłowa, podczas gdy przypisanie tożsamości będzie błędne.

Modele rutyny uczą się wzorców zachowania, a nie stałej tożsamości

Mieszkaniec może zwykle wchodzić przez jedne drzwi, poruszać się po znanych pomieszczeniach, włączać określone światła i korzystać z urządzeń o przewidywalnych porach.

Gość, który podąża za mieszkańcem, opiekuje się domem podczas jego nieobecności lub korzysta z tych samych przestrzeni, może odtworzyć znaczną część tego wzorca. Model rozpoznaje wtedy sekwencję przypominającą rutynę i przypisuje etykietę mieszkańca, która historycznie jej towarzyszyła.

Jeśli pomyłki pojawiają się wyłącznie podczas typowych aktywności domowych, wskazuje to na nakładanie się wzorców zachowania. Pomyłki przy wejściu, zanim rozwinie się jakakolwiek rutyna, silniej wskazują na przypisanie urządzenia lub danych uwierzytelniających.

Proste czujniki wymagają łączenia danych, aby oszacować, kto jest obecny

Pojedyncze czujniki PIR, kontaktrony, Bluetooth, Wi-Fi i czujniki poboru energii dostarczają częściowych, a czasem sprzecznych dowodów.

Badania nad internetowym wykrywaniem gości łączą topologię i aktywacje czujników z wnioskowaniem probabilistycznym przy niepewności czujników.

Gdy dwie osoby poruszają się blisko siebie, jedna sekwencja z czujników może wyglądać jak szybki ruch jednej osoby. Brakujące zdarzenia mogą również sprawić, że trasa gościa będzie wyglądać jak kontynuacja wcześniejszej trasy mieszkańca.

Featured

ZimaCube 2 Osobisty domowy NAS w chmurze

ZimaCube2

Identyfikacja mieszkańca często zależy od przenoszonych lub dotykanych urządzeń

Telefony, zegarki, klucze, urządzenia ubieralne i czujniki umieszczone na przedmiotach dostarczają silniejszych wskazówek tożsamości niż anonimowy ruch w pomieszczeniu.

Badanie Carnegie Mellon analizuje identyfikację osób poprzez łączenie danych z czujników umieszczonych na przedmiotach.

Gość bez zarejestrowanego urządzenia staje się nieznaną obserwacją, podczas gdy współdzielony tablet lub pożyczony klucz może sprawić, że gość będzie wyglądać jak zarejestrowany właściciel. Model identyfikuje dane uwierzytelniające, a nie bezpośrednio osobę.

Założenia dotyczące stałej liczby mieszkańców wymuszają błędną etykietę

Niektóre modele są trenowane lub konfigurowane z myślą o typowej liczbie mieszkańców i nie obejmują wiarygodnego stanu „nieznana osoba”.

Badania nad szacowaniem liczby mieszkańców wykorzystują czujniki w pomieszczeniach i przy wejściach do określania zmieniającej się liczby osób.

Jeśli model zakłada, że w domu mogą przebywać tylko dwaj znani mieszkańcy, trzecia osoba musi zostać połączona z jednym z nich albo potraktowana jako szum. Błędna identyfikacja jest wtedy wpisana w zbiór dostępnych etykiet.

Goście przybywający z mieszkańcami tworzą niejednoznaczne zdarzenia wejścia

Jednokrotne otwarcie drzwi może wpuścić dwie lub więcej osób, zwłaszcza gdy czujniki ruchu mają okresy blokady lub wąski zasięg.

Model może przypisać cały późniejszy strumień aktywności mieszkańcowi, którego telefon przekroczył granicę domu. Gość, który zostanie, może pozostać powiązany z tą tożsamością nawet po wyjściu mieszkańca.

Ta przyczyna prowadzi do błędów po wspólnych przyjściach i wyjściach, a nie podczas wejść pojedynczych osób. Lepsze czujniki w pomieszczeniach nie są w stanie w pełni odtworzyć obecności osoby, która nigdy nie została policzona przy progu.

Encje osób dziedziczą ograniczenia swoich trackerów urządzeń

Platformy automatyki domowej często łączą jeden lub więcej trackerów urządzeń w encję osoby.

Integracja Person w Home Assistant wiąże śledzone urządzenia z określoną osobą.

Telefon mieszkańca pozostawiony w domu może utrzymywać oznaczenie jego obecności, podczas gdy gość porusza się po domu. Gość korzystający z nierozpoznanego urządzenia może w ogóle nie otrzymać odrębnej tożsamości.

Opóźnione lub brakujące dane referencyjne utrwalają błędne przypisanie

Modele obecności potrzebują etykiet pokazujących, kto rzeczywiście był obecny. Systemy domowe rzadko otrzymują pełne korekty po każdej wizycie.

Jeśli wynik automatyzacji zostanie zaakceptowany, system może potraktować wywnioskowaną tożsamość mieszkańca jako potwierdzenie, mimo że czujniki uruchomił gość. Powtarzające się, nieskorygowane wizyty wzmacniają wtedy błędne powiązanie.

Wyjaśnienie ZimaSpace dotyczące tego, jak serwer inteligentnego domu koreluje zdarzenia, wyznacza granicę: większa liczba skorelowanych sygnałów może ograniczyć liczbę fałszywych alarmów, ale korelacja nie stworzy dowodu tożsamości, którego nigdy nie zaobserwowano.

Ograniczenia prywatności ograniczają najsilniejsze sygnały tożsamości

Kamery, mikrofony, biometria i stałe odciski urządzeń mogą poprawić identyfikację, jednocześnie stwarzając ryzyko naruszenia prywatności i braku zgody gości.

Badania USENIX dotyczące korzystania z inteligentnych urządzeń w wynajmowanych nieruchomościach podkreślają oczekiwania gości dotyczące prywatności w związku z inteligentnymi urządzeniami.

Dom chroniący prywatność może celowo wybrać wnioskowanie na poziomie obecności zamiast identyfikacji biometrycznej. W takim projekcie stan „nieznany gość” jest bardziej uczciwy niż przypisywanie każdego wzorca aktywności do profilu mieszkańca.

Najczęściej zadawane pytania

Czy obecność w sieci Wi-Fi może niezawodnie rozróżnić każdego gościa?

Nie. Goście mogą nie dołączać do sieci, urządzenia mogą losowo zmieniać identyfikatory, a jedna osoba może mieć przy sobie kilka urządzeń, podczas gdy inna nie ma żadnego.

Czy większa liczba czujników ruchu rozwiązuje problem identyfikacji mieszkańca?

Poprawia dane dotyczące obecności i trasy, ale anonimowy ruch nadal pozostaje anonimowy, chyba że zostanie powiązany z wiarygodnymi danymi uwierzytelniającymi lub obserwacją tożsamości.

Czy automatyzacje powinny traktować nieznane osoby jak mieszkańców?

Nie. Automatyzacje związane z bezpieczeństwem i prywatnością powinny zachowywać stan „nieznany” lub „gość”, zamiast zakładać, że najbliższy profil mieszkańca jest prawidłowy.