Il rilevamento di armi corte di WiFireNet funziona su vecchi standard Wi-Fi, ma il suo miglior risultato nasconde la parte difficile

Il rilevamento di armi corte di WiFireNet ha raggiunto una precisione media del 72,5% usando segnali basati sullo standard 802.11a, risalente al 1999. Il risultato proviene da un esperimento indoor controllato con non più di quattro persone in movimento. È un risultato di ricerca interessante, ma non dimostra che i router comuni possano controllare in modo affidabile gli spazi pubblici.

I ricercatori della Swedish Defence Research Agency, nota come FOI, hanno presentato WiFireNet in un articolo sottoposto il 13 ottobre 2026. Il loro modello legge le channel state information, o CSI, che descrivono come un canale wireless modifica un segnale trasmesso. Il sistema cerca di identificare le persone che portano armi corte occultate apprendendo gli schemi radio prodotti dai corpi e dagli oggetti trasportati.

Il progetto mette in discussione la scelta abituale tra telecamere e scanner ai varchi. Le telecamere non possono vedere un oggetto nascosto sotto gli indumenti, mentre i metal detector costringono le persone a passare in corsie di controllo designate. WiFireNet esplora una terza strada: trasformare i segnali radio già presenti in una stanza in un sensore complementare.

Il ribaltamento sta nel fatto che la configurazione Wi-Fi più vecchia e semplice ha prodotto il risultato migliore per le armi corte. Una configurazione sperimentale ampliata ha raccolto più misurazioni dirette del canale, ma ha ottenuto risultati peggiori nell'attività di rilevamento più ampia. Questa scoperta rende il lavoro più interessante, ma mostra anche quanto le prestazioni dipendano dall'ambiente, dal dataset e dal progetto di valutazione.

Il rilevamento di armi corte di WiFireNet trasforma le misurazioni radio in previsioni visive

L'esperimento di FOI non crea un'immagine tramite il Wi-Fi. Converte le misurazioni radio in una rappresentazione elaborabile da un rilevatore in stile visione artificiale.

I ricercatori hanno costruito il dataset WiFire registrando segnali wireless e video RGB sincronizzati mentre i partecipanti si muovevano in stanze al chiuso. Il video ha fornito le etichette durante l'addestramento e la valutazione. In fase di inferenza, il modello finale WiFireNet operava soltanto sui campioni CSI, secondo il paper di WiFireNet.

Le CSI contengono misurazioni di ampiezza e fase in porzioni di un canale wireless. L'ampiezza descrive l'intensità del segnale, mentre la fase registra la posizione di un'onda nel suo ciclo. Insieme, queste misurazioni riflettono assorbimento, scattering e propagazione multipath all'interno di una stanza.

La propagazione multipath si verifica quando un segnale raggiunge un ricevitore attraverso diversi percorsi riflessi. Una persona, una parete, una bottiglia, un telefono o un'arma corta possono modificare tali percorsi. Il modello cerca differenze ripetibili nelle misurazioni risultanti.

Il team ha raccolto quattro classi di oggetti trasportati: un'arma corta metallica disattivata, un'arma corta di plastica, una borraccia metallica e un telefono cellulare. Queste scelte creano una confusione deliberata. La replica in plastica condivide la forma generale dell'arma corta, mentre la borraccia e il telefono introducono materiali familiari e profili di oggetti trasportati.

Al massimo una persona in ciascuna scena registrata portava l'arma corta metallica disattivata. L'area di raccolta più grande misurava 12 metri quadrati e conteneva da zero a quattro persone. Una seconda stanza misurava otto metri quadrati e conteneva non più di due persone.

I ricercatori hanno usato due laptop, uno collegato ai trasmettitori e l'altro ai ricevitori. Una videocamera USB collegata al computer ricevente acquisiva video per l'annotazione. Le CSI arrivavano a raffiche di 80 Hz, mentre la videocamera registrava a 30 fotogrammi al secondo.

Le configurazioni principali WiFi-regular e WiFi-plus contenevano ciascuna circa 100.000 campioni CSI. La raccolta nella stanza piccola conteneva circa 40.000 campioni. Si tratta di singole osservazioni radio, non di 240.000 stanze, partecipanti o prove di implementazione indipendenti.

WiFireNet elabora i tre campioni CSI più recenti per ogni previsione. Gli autori descrivono tale input come una copertura di 37,5 millisecondi. Il modello separa la fase dall'ampiezza e invia ciascuna componente al proprio encoder convoluzionale.

Una rete di traduzione tra modalità riforma quindi le caratteristiche combinate in una rappresentazione spaziale sintetica. Questa rappresentazione cresce attraverso vari stadi di upsampling fino a corrispondere alle dimensioni dell'immagine della telecamera. È una superficie di coordinate appresa, non una fotografia ricostruita dalle onde radio.

Una feature pyramid network esamina tale superficie a più scale spaziali. Una region proposal network suggerisce possibili bounding box, mentre una testa di rilevamento le affina e classifica. Queste componenti attingono ampiamente ai consolidati rilevatori di oggetti della visione artificiale.

La telecamera svolge quindi un ruolo importante pur essendo assente durante l'inferenza finale. Un modello di visione agisce da insegnante durante l'addestramento tramite distillazione di conoscenza cross-modale. Il processo incoraggia le caratteristiche Wi-Fi a somigliare a quelle utili estratte dalle immagini sincronizzate.

FOI ha pubblicato il codice open source del progetto e rilasciato il dataset WiFire. Questo offre ad altri ricercatori la possibilità di esaminare il progetto, ripetere gli esperimenti e testare suddivisioni dei dati più impegnative.

Il cambiamento immediato non è un prodotto di sicurezza pronto per l'implementazione. È un pacchetto di ricerca riproducibile che inquadra il rilevamento di armi corte occultate come un problema dinamico di rilevamento Wi-Fi con più persone.

Il risultato del 72,5% è precisione media, non un tasso di successo della sicurezza

Il numero principale misura le prestazioni del rilevamento ordinato in una condizione di valutazione. Non significa che il sistema identifichi correttamente o segnali il 72,5% delle persone.

Per la configurazione WiFi-regular, la precisione media della classe delle armi corte ha raggiunto il 72,5% con una soglia di intersection-over-union del 25%. Con una soglia più rigorosa del 50%, il punteggio per le armi corte è sceso al 53,8%.

L'intersection over union, o IoU, misura quanto una casella prevista si sovrapponga a quella etichettata. Una soglia del 25% accetta una localizzazione relativamente approssimativa. Una soglia del 50% richiede una corrispondenza più stretta tra la previsione e il riferimento.

La precisione media combina precisione e richiamo attraverso le soglie di confidenza. Premia un modello che colloca i rilevamenti corretti sopra quelli falsi. Non è intercambiabile con l'accuratezza e non descrive direttamente il tasso di falsi allarmi di un varco di controllo.

Questa distinzione conta perché un sistema di sicurezza implementato opera a una soglia di allerta selezionata. Gli operatori devono sapere quante persone armate non rileva e quante persone disarmate segnala. L'articolo riporta metriche di ricerca, non una soglia operativa scelta per il controllo del pubblico.

La cifra del 72,5% riguarda inoltre soltanto la classe delle armi corte. Quando venivano incluse tutte le classi, WiFi-regular produceva una precisione media media del 50,3% con IoU al 25%. Il risultato scendeva al 47,1% con IoU al 50%.

Il richiamo per la stessa configurazione era più elevato. WiFi-regular ha riportato un richiamo del 91,5% con IoU al 25% e dell'89,5% con IoU al 50% nelle classi valutate. Un richiamo elevato può coesistere con molti falsi positivi, soprattutto quando le soglie di confidenza vengono regolate per catturare più possibili bersagli.

Il risultato più rigoroso sulle armi corte è particolarmente rivelatore. WiFireNet conservava elementi che indicavano la presenza di una persona armata, ma la posizione prevista spesso non corrispondeva da vicino. Il sistema associa un rilevamento a una regione nello spazio dell'immagine attorno a una persona, anziché identificare la posizione esatta dell'arma.

Questa limitazione non cancella il risultato di fondo. Rilevare un'arma corta metallica occultata tra telefoni, borracce e una replica in plastica è più specifico del rilevamento di metallo generico. I ricercatori hanno inoltre superato gli esperimenti con oggetti statici e isolati registrando più persone in movimento.

Tuttavia, l'esperimento si è svolto comunque in due stanze piccole e controllate. La scena più grande copriva 12 metri quadrati, un'area inferiore a quella di molti uffici, aule o ingressi commerciali. La sua folla massima era di quattro persone.

Gli ambienti di controllo reali creano squilibri di classe più difficili. La maggior parte delle persone non porterà un'arma corta, quindi anche un modesto tasso di falsi positivi può generare molti allarmi. I valori pubblicati di precisione media non chiariscono come si comporti WiFireNet in presenza di tale squilibrio operativo.

Gli acquirenti nel settore della sicurezza avrebbero inoltre bisogno di risultati suddivisi per abbigliamento, posizione del corpo, direzione di movimento, orientamento dell'arma corta e distanza. L'articolo attuale non stabilisce prestazioni coerenti tra queste variabili. Offre una base di riferimento per ulteriori test.

La conclusione prudente è che il rilevamento di armi corte di WiFireNet ha individuato una struttura statistica utilizzabile nelle CSI. L'esperimento non stabilisce una probabilità affidabile che una persona sia armata.

Questa differenza separa un incoraggiante benchmark di machine learning da una decisione di sicurezza. Un modello può funzionare abbastanza bene da giustificare ulteriori ricerche pur restando non sicuro per un'implementazione autonoma.

Più misurazioni Wi-Fi hanno prodotto risultati peggiori

Il risultato più istruttivo di WiFireNet non è il suo punteggio più alto. È il fallimento di ulteriori misurazioni dirette del canale nel migliorare il rilevamento.

Il team ha raccolto dati in due configurazioni radio. WiFi-regular seguiva la configurazione standard IEEE 802.11a e usava quattro sottoportanti pilota. I valori delle restanti 48 sottoportanti venivano ottenuti tramite interpolazione lineare.

WiFi-plus usava invece 48 delle 52 sottoportanti disponibili come piloti. Questo forniva misurazioni dirette sul 92,3% delle sottoportanti disponibili. La configurazione era pensata per offrire informazioni di canale più dense e avvicinarsi al rilevamento in stile radar.

Segue un'aspettativa semplice: misurazioni più ricche dovrebbero rendere gli oggetti più facili da distinguere. I risultati non hanno sostenuto tale aspettativa. WiFi-plus ha raggiunto soltanto il 39,9% di precisione media media con IoU al 25% e il 37,2% con IoU al 50%.

WiFi-regular ha ottenuto il 50,3% e il 47,1% alle stesse soglie. Anche il suo risultato relativo alle sole armi corte era nettamente superiore. WiFi-plus ha riportato una precisione media per le armi corte del 44,2% a entrambe le soglie IoU, rispetto al 72,5% e al 53,8% di WiFi-regular.

Gli autori non rivendicano una spiegazione definitiva. Suggeriscono che l'ambiente di raccolta relativamente pulito abbia generato meno riflessioni multipath utili. I dati aggiuntivi delle sottoportanti potrebbero essere più importanti in una stanza complessa e affollata di oggetti.

Le differenze casuali tra i dataset sono un'altra possibilità. WiFi-regular e WiFi-plus sono stati raccolti come configurazioni separate, quindi il loro confronto non isola la risoluzione radio da ogni altra fonte di variazione. L'articolo identifica il risultato come una questione per il lavoro futuro.

Questa ambiguità illustra una sfida centrale del rilevamento Wi-Fi. Un maggior dettaglio del segnale non produce automaticamente informazioni più trasferibili. Un sistema di apprendimento può sfruttare schemi legati a una stanza, a una sessione di raccolta o a un percorso hardware anziché all'oggetto previsto.

I risultati della stanza piccola rafforzano il problema. La sua precisione media media di base ha raggiunto il 49,8% con IoU al 25% e il 46,9% con IoU al 50%. Queste cifre si sono avvicinate molto a WiFi-regular pur usando la configurazione WiFi-plus.

Gli autori attribuiscono la localizzazione più semplice nella stanza più piccola alle riflessioni multipath più forti delle pareti vicine. In altre parole, la stanza può migliorare il rilevamento creando un insieme più ricco di percorsi radio.

Questo meccanismo rende anche difficile l'implementazione. Spostare mobili, aprire una porta, aggiungere divisori o modificare la densità della folla può rimodellare tali percorsi. Un modello addestrato in una disposizione può incontrare una distribuzione di input diversa senza nemmeno uscire dall'edificio.

La progettazione della rete stessa ha prodotto miglioramenti più netti. La sostituzione del traduttore di modalità convoluzionale con un percettrone multistrato con numero di parametri equivalente ha ridotto la precisione media WiFi-regular dal 50,3% al 35,5% a un IoU del 25%.

A un IoU del 50%, la stessa modifica ha ridotto le prestazioni dal 47,1% al 31,3%. La convoluzione sembra aiutare la rete a catturare la struttura locale negli input di fase e ampiezza.

Anche la distillazione della conoscenza basata sulla visione ha aiutato alcune configurazioni. La rimozione di quella funzione di perdita ha ridotto le prestazioni WiFi-regular dal 50,3% al 42,4% a un IoU del 25%. A un IoU del 50%, il risultato è sceso dal 47,1% al 39,4%.

Tuttavia, la funzione di perdita di distillazione non ha migliorato WiFi-plus. Questo contributo disomogeneo suggerisce ancora una volta un sistema il cui comportamento dipende dalle condizioni di raccolta.

Il meccanismo principale è quindi credibile, ma non ancora definito. Il CSI contiene informazioni correlate alle persone e agli oggetti trasportati. WiFireNet può tradurre parte di questa struttura in rilevamenti spaziali.

Resta ignoto se la rappresentazione appresa descriva le pistole in senso ampio o memorizzi correlazioni stabili all'interno di queste stanze. Un numero maggiore di sottoportanti non ha risolto questa incertezza.

Il vero avversario è la dipendenza dalla stanza, non i metal detector

WiFireNet va inteso soprattutto come un esperimento di rilevamento complementare, il cui ostacolo principale è la generalizzazione ambientale.

L'articolo colloca il rilevamento Wi-Fi accanto a telecamere e metal detector. Questa impostazione è ragionevole, poiché ogni modalità rileva prove diverse. Le telecamere catturano l'aspetto, i metal detector reagiscono al materiale conduttivo e il CSI riflette le variazioni attraverso un canale radio.

Tuttavia, WiFireNet non è attualmente in competizione con hardware di screening maturo sul piano dell'affidabilità. La sua sfida più immediata è tra l'apprendimento di segnali specifici della stanza e un rilevatore che generalizzi tra luoghi diversi.

La configurazione dell'addestramento rende questa sfida particolarmente importante. I ricercatori hanno suddiviso i dataset a livello di singoli campioni CSI. Metà dei campioni è stata destinata all'addestramento, mentre l'altra metà ha costituito il set di test. Il venti per cento della porzione di addestramento è servito come dati di validazione.

I singoli campioni registrati a 80 Hz possono essere strettamente correlati nel tempo. Osservazioni vicine potrebbero mostrare le stesse persone, gli stessi oggetti, le stesse posizioni e lo stesso stato della stanza. Una suddivisione casuale a livello di campione può quindi collocare momenti molto simili su lati opposti del confine di addestramento.

L'articolo segue precedenti della ricerca correlata sul rilevamento Wi-Fi, ma questo non risolve la questione della distribuzione operativa. Una valutazione più robusta escluderebbe interamente partecipanti, sessioni di registrazione, stanze o configurazioni hardware.

Lo studio non riporta una valutazione con stanze escluse dall'addestramento. Non descrive nemmeno il test del modello addestrato all'interno di un edificio sconosciuto. Di conseguenza, le affermazioni sulle prestazioni in layout mai visti restano prive di supporto.

Tom’s Hardware ha osservato che il prototipo fatica in configurazioni interne sconosciute. Questa limitazione deriva direttamente dal ruolo della struttura multipath. L'ambiente radio non è rumore di fondo per WiFireNet; fa parte dell'input del modello.

Lavori precedenti mostrano che l'idea più ampia non è nuova. Uno studio sul Wi-Fi commerciale del 2018 ha esplorato il rilevamento non intrusivo di oggetti metallici nascosti. Altri progetti hanno usato il CSI per il riconoscimento dell'attività umana, la localizzazione, la stima della posa e il conteggio delle persone.

Uno studio su oggetti nascosti sottoposto a peer review e pubblicato nel 2025 ha riportato un'accuratezza dell'87,5% per una pistola reale nei test indoor. Quel progetto classificava casi di corpo più arma, anziché produrre i rilevamenti multipersona in coordinate d'immagine di WiFireNet.

Questi numeri non dovrebbero essere confrontati direttamente in classifica. Accuratezza e precisione media misurano comportamenti diversi, mentre anche dataset e progettazione delle scene differiscono. La loro coesistenza mostra che il rilevamento di oggetti basato su radio è andato oltre una singola dimostrazione di laboratorio.

WiFireNet fa progredire questa linea di ricerca attraverso gruppi dinamici, oggetti confondibili, rilevamenti spaziali e risorse pubbliche. Il suo dataset aperto rende inoltre lo scrutinio indipendente più semplice rispetto a un prototipo chiuso.

Tuttavia, il codice pubblico non può compensare dati di addestramento limitati. Un modello aperto può essere ispezionato ed esteso, ma eredita le condizioni rappresentate nelle sue registrazioni.

Anche l'espressione “Wi-Fi ordinario” necessita di una precisazione. L'esperimento ha utilizzato un'implementazione IEEE 802.11a open source modificata in GNU Radio. Ha operato a 5,68 GHz con una larghezza di banda di 20 MHz.

Questa configurazione usa uno standard wireless consolidato, ma non equivale a installare un'applicazione su qualsiasi router consumer. Le implementazioni richiederebbero accesso CSI compatibile, posizionamento noto di trasmettitore e ricevitore, temporizzazione calibrata e software capace di elaborare le misurazioni.

Le generazioni Wi-Fi moderne possono esporre canali più ampi e misurazioni più dettagliate. Queste capacità offrono opportunità di ricerca, ma il risultato WiFi-plus di WiFireNet avverte dal presumere che più dati garantiscano un rilevamento migliore.

Il sistema spinge i ricercatori a risolvere la generalizzazione prima di discutere un'adozione ampia. Non spinge ancora scuole, aeroporti o uffici a sostituire le apparecchiature di sicurezza esistenti.

L'open source aiuta la validazione, ma rende più acuta anche la questione della privacy

Un sistema che rileva oggetti nascosti senza una telecamera può ridurre un rischio per la privacy creandone al contempo un'altra forma di osservazione invisibile.

WiFireNet non produce una fotografia riconoscibile durante l'inferenza. Questa proprietà può limitare la raccolta dell'aspetto facciale, dei dettagli dell'abbigliamento e di altre informazioni visive. Supporta inoltre il rilevamento al buio o attraverso occlusioni visive.

Tuttavia, la privacy non dipende solo dalla presenza di una telecamera. Un sistema radio può comunque inferire la presenza, il movimento, la posizione o i beni di persone che non vi interagiscono mai.

Il rilevamento Wi-Fi può essere difficile da notare. Le persone generalmente comprendono che una telecamera visibile osserva uno spazio. Potrebbero non aspettarsi che un access point e un ricevitore classifichino oggetti sotto gli abiti.

Questa discrepanza crea un problema di consenso. Un'implementazione pubblica richiederebbe regole chiare su informativa, usi consentiti, conservazione, accesso e revisione. Richiederebbe inoltre procedure per contestare un avviso.

In questo contesto, i falsi positivi comportano più di un semplice inconveniente. Un sistema che etichetta qualcuno come possibile portatore di pistola può innescare una risposta di sicurezza. Le conseguenze dipendono da come gli operatori interpretano i punteggi di confidenza e li combinano con altre prove.

La ricerca attuale non giustifica un intervento autonomo. WiFireNet non dovrebbe determinare intenzione, legalità o identità. Tenta soltanto di classificare pattern associati a oggetti trasportati nel proprio dominio sperimentale.

La distinzione è particolarmente importante nei luoghi in cui il porto occulto legale è consentito. Una previsione radio non può stabilire se qualcuno disponga di autorizzazione. Non può nemmeno dedurre perché sia presente un oggetto.

I test sui bias dovranno estendersi oltre le categorie demografiche convenzionali. La propagazione radio può cambiare in base a corporatura, abbigliamento, accessori, ausili per la mobilità, dispositivi elettronici trasportati e schemi di movimento. Una rappresentazione disomogenea potrebbe produrre tassi di avviso disomogenei.

Le quattro classi di oggetti registrate rappresentano un punto di partenza ponderato, ma gli ambienti pubblici contengono una varietà molto più ampia. Ombrelli, attrezzi, fotocamere, batterie esterne, dispositivi medici, laptop e gruppi densi possono creare firme radio sconosciute.

Il comportamento avversariale presenta un'altra questione irrisolta. Una persona potrebbe modificare l'orientamento, la posizione, il materiale di copertura della pistola o la vicinanza ad altri oggetti metallici. L'articolo non valuta tentativi deliberati di eludere il rilevamento.

Gli operatori dell'infrastruttura devono considerare anche la cybersicurezza. Un sistema di rilevamento dipende da flussi CSI affidabili, dispositivi sincronizzati, pesi addestrati e software di avviso. Misurazioni manipolate o modelli compromessi potrebbero sopprimere rilevamenti autentici o generare avvisi artificiali.

Il rilascio open source supporta la valutazione difensiva. I ricercatori possono testare suddivisioni alternative, ispezionare il pre-processing, riprodurre le ablazioni del modello e cercare casi di fallimento. Team indipendenti possono anche determinare se i punteggi pubblicati resistano con hardware e stanze diverse.

La stessa apertura abbassa la barriera alla sperimentazione al di fuori delle istituzioni formali. Questo non rende il rilascio intrinsecamente irresponsabile, ma aumenta l'importanza della governance accanto alla validazione tecnica.

Il modello appropriato nel breve termine è il rilevamento assistito. WiFireNet potrebbe infine fornire un ulteriore segnale al personale formato, insieme a telecamere, screening fisico e giudizio contestuale. Non dovrebbe essere trattato come un sistema invisibile di accusa automatizzata.

Tre test decideranno se WiFireNet uscirà dal laboratorio

La fase successiva richiede una validazione più rigorosa, non semplicemente un punteggio più alto ottenuto con uno standard wireless più recente.

Il primo segnale da osservare è una valutazione con partecipanti e sessioni esclusi dall'addestramento. I ricercatori dovrebbero addestrare su alcune persone e sessioni di registrazione, quindi testare su elementi completamente separati. Questo ridurrebbe la probabilità che campioni vicini o traiettorie ripetute gonfino le prestazioni.

Un risultato robusto con questa suddivisione supporterebbe l'affermazione che WiFireNet apprende pattern correlati agli oggetti. Un forte calo mostrerebbe che il modello dipende in larga misura da partecipanti, movimenti o condizioni di registrazione osservati durante l'addestramento.

Il secondo segnale è il test con stanze escluse dall'addestramento. Un esperimento utile addestrerebbe in diverse stanze e valuterebbe all'interno di un altro edificio senza fine-tuning. Arredi, materiali delle pareti, posizionamento del trasmettitore, densità della folla e traffico wireless non correlato dovrebbero tutti variare.

Questo test prende di mira l'avversario principale del sistema: la dipendenza ambientale. Prestazioni stabili rafforzerebbero il caso del rilevamento Wi-Fi trasferibile. Un fallimento limiterebbe la tecnologia a installazioni calibrate e specifiche per sito.

Il terzo segnale è un profilo degli errori operativi ottenuto da folle più grandi. I ricercatori devono riportare falsi avvisi per persona o per ora alle soglie selezionate. Dovrebbero inoltre pubblicare i tassi di mancato rilevamento per diverse posizioni dell'arma, tipi di abbigliamento e schemi di movimento.

Questa evidenza conta più di un singolo dato di precisione media. Gli operatori della sicurezza prendono decisioni sulle soglie, e tali decisioni generano conseguenze pratiche. Un modello con prestazioni di benchmark ragionevoli può comunque diventare inutilizzabile se gli avvisi arrivano troppo frequentemente.

Gli esperimenti futuri possono anche esaminare le capacità del Wi-Fi 7 o dell'emergente Wi-Fi 8. Canali più ampi e misurazioni spaziali aggiuntive potrebbero migliorare la risoluzione. Lo studio attuale non offre basi per presumere questo risultato, poiché WiFi-plus ha già prodotto l'esito opposto.

La riproduzione indipendente dovrebbe precedere l'ottimismo sull'hardware. Il modello e i dati rilasciati consentono ai team esterni di ricostruire la pipeline pubblicata. Il passo più prezioso consiste nel raccogliere nuovi dataset con dispositivi, stanze e partecipanti diversi.

Il rilevamento di pistole WiFireNet ha superato un'importante soglia di ricerca. Ha rilevato evidenze associate a pistole nascoste in scene interne dinamiche e multipersona usando soltanto il CSI durante l'inferenza.

Non ha superato la soglia di implementazione. Il sistema è stato testato in due piccole stanze, contro quattro classi di oggetti, con suddivisioni dei dati a livello di campione. Il suo numero più forte si è inoltre indebolito con una localizzazione più rigorosa.

Sviluppatori e ricercatori sulla sicurezza dovrebbero ora chiedersi se il segnale resista a cambiamenti che il modello originale non ha mai visto. Può generalizzare tra edifici, hardware, persone, abbigliamento, disordine e folle più grandi senza ricalibrazione costante?

Questi test determineranno se WiFireNet diventerà un utile sensore secondario o resterà un istruttivo benchmark di laboratorio. Fino ad allora, il suo risultato del 72,5% dovrebbe avviare un programma di ricerca, non un processo di approvvigionamento.