Почти неслышный гул самолёта способен выдать место съёмки видео даже без геометок и узнаваемых объектов в кадре. Автор YouTube-канала colsto продемонстрировал метод, который позволил определить расположение камеры наблюдения с точностью около 100 метров, используя только фоновый звук и историю авиарейсов.
Для первого эксперимента исследователь взял запись с камеры наблюдения, зная лишь дату съёмки и то, что камера находилась где-то на континентальной территории США. Точное время и координаты оставались неизвестными. На звуковой дорожке удалось обнаружить следы двух винтовых самолётов, пролетевших с интервалом 920 секунд, или 15 минут 20 секунд. Сопоставление звука с траекториями воздушных судов помогло найти небольшой участок местности, а проверка по панорамам Google Street View позволила обнаружить саму камеру.
В основе метода лежит эффект Доплера, хорошо знакомый по звуку проезжающей машины скорой помощи. Пока источник звука приближается к наблюдателю, воспринимаемая частота повышается, а после удаления снижается. Самолёт создаёт похожий акустический след, причём необязательно громкий. Даже когда человек практически не различает гул двигателя, на спектрограмме, показывающей изменение звуковых частот во времени, может оставаться характерная изогнутая линия.
По форме такой линии можно оценить скорость движения самолёта относительно микрофона и расстояние до него в момент максимального сближения. Скорость влияет на величину изменения частоты, а расстояние определяет, насколько резко происходит переход от высокого тона к низкому. Однако одной спектрограммы недостаточно, чтобы получить координаты. Для поиска необходимо сопоставить акустические признаки с реальными полётами, происходившими в предполагаемый период записи.
Исследователь использовал архивы ADS-B, системы автоматического обмена данными о положении воздушных судов. Самолёты передают сведения о своих координатах, высоте и движении, а наземные приёмники позволяют собирать историю полётов. Colsto загрузил данные по территории США и отфильтровал траектории с учётом типов самолётов, поскольку характер обнаруженного звука указывал на винтовые машины. Затем программа начала проверять возможные точки расположения микрофона.
Расчёты выполнялись по географической сетке с первоначальным шагом 200 метров. Для каждой точки программа определяла, как близко проходил самолёт, в какой момент происходило максимальное сближение и когда звук должен был достичь микрофона. Пришлось учитывать даже рельеф местности, поскольку расстояние до воздушного судна зависит не только от горизонтальных координат, но и от разницы высот.
Отдельную сложность создала скорость распространения звука. Пока шум двигателя проходит несколько километров до микрофона, самолёт успевает заметно переместиться. Поэтому положение воздушного судна в момент появления звука на записи не совпадает с положением, в котором звук возник. Colsto рассчитывал траектории с учётом задержки и моделировал доплеровские кривые для каждой предполагаемой точки съёмки, а затем сравнивал результат с настоящей спектрограммой.
Существенную роль сыграли не только обнаруженные пролёты, но и отсутствие других самолётов между ними. Если предполагаемая точка находилась рядом с оживлённым аэропортом, где в рассматриваемый период проходили многочисленные рейсы, такой вариант хуже соответствовал записи с длительным тихим промежутком. Дополнительная фильтрация помогла сократить число кандидатов, после чего исследователь уточнил поиск на сетке с шагом 100 метров.
Чтобы проверить метод в других условиях, colsto повторил расчёты с минутным фрагментом записи, содержащим след только одного самолёта. На этот раз исследователь заранее знал точное время съёмки, 20:37 UTC. Несмотря на поиск по всей континентальной территории США, алгоритм снова поставил правильное местоположение на первое место среди кандидатов. Таким образом, два эксперимента использовали разные наборы исходных сведений. В первом помог интервал между двумя пролётами, во втором точное время и один акустический след.
Ещё один результат касается устойчивости звуковых признаков к обработке. Colsto проверил, можно ли скрыть доплеровскую кривую разговором на фоне шума, частотной фильтрацией или передачей через телефонную связь. В проведённых опытах характерный след сохранялся даже после сжатия звука и работы шумоподавления. Причина заключается в том, что часть полезных для анализа частот пересекается с диапазоном человеческой речи. Попытка полностью вырезать их способна одновременно испортить голос.
При этом не следует считать акустическую геолокацию универсальным способом определения адреса по любому голосовому сообщению. Необходимы пригодный для анализа звук пролетающего самолёта, достаточно полные архивы его перемещений и сведения о времени записи либо другие ограничения, позволяющие сократить поиск. В населённых районах с плотным воздушным движением могут возникать ложные совпадения, а отсутствие нужных самолётов или пробелы в полётных данных способны сделать поиск безрезультатным.
Colsto не опубликовал исходный код своей системы, однако на GitHub появился независимый проект DOPPLERGEIST. Разработчик создал экспериментальный набор инструментов на Python, который анализирует частотные следы самолётов и сопоставляет их с историческими маршрутами ADS-B. Программа учитывает геометрию полётов, задержку распространения звука и рельеф местности, а при неоднозначных результатах может сохранять несколько конкурирующих вариантов вместо выдачи одного адреса.
Разработчик DOPPLERGEIST отдельно предупреждает об ограничениях. Независимая проверка точности автоматического поиска по реальным записям в масштабах целой страны пока не завершена. Некоторые эксперименты дали близкие к правильным координаты, однако использовали заранее ограниченные районы и временные интервалы. Другие испытания не позволили получить достоверное местоположение. Поэтому результаты colsto нельзя автоматически переносить на все записи и считать гарантией точности в 100 метров.
Для информационной безопасности эксперимент интересен как новый вариант разведки по открытым источникам, или OSINT. При таком подходе исследователю не требуется доступ к устройству, взлом учётной записи или получение закрытой информации. Достаточно публичной аудиозаписи и независимых сведений о событиях, происходивших поблизости. Даже видеоролик с неподвижной камерой и практически пустым кадром может содержать информацию, позволяющую восстановить место съёмки.
Раньше главную угрозу приватности при публикации фотографий и видео связывали с GPS-координатами, метаданными EXIF, отражениями в окнах, тенями и другими визуальными подсказками. Акустический анализ добавляет ещё один канал утечки информации, который не исчезает после удаления геометок. Для людей, публикующих записи из мест, расположение которых они хотят сохранить в тайне, практический вывод заключается в том, что отсутствие узнаваемых деталей в кадре больше не гарантирует анонимности. Даже едва различимый фоновый звук иногда способен рассказать о месте съёмки гораздо больше, чем само изображение.
