WiFireNet 권총 탐지는 구형 Wi-Fi에서도 작동하지만, 최고 성과는 어려운 과제를 가린다

WiFireNet 권총 탐지는 1999년형 802.11a 표준 기반 신호를 사용해 평균 정밀도 72.5%를 기록했다. 이 결과는 이동 인원이 최대 4명인 통제된 실내 실험에서 나왔다. 흥미로운 연구 성과이지만, 일반 라우터가 공공장소를 안정적으로 검색할 수 있다는 증거는 아니다.

스웨덴 국방연구청(FOI) 연구진은 2026년 10월 13일 제출한 논문에서 WiFireNet을 소개했다. 이 모델은 무선 채널이 전송 신호를 어떻게 변화시키는지 설명하는 채널 상태 정보, 즉 CSI를 읽는다. 시스템은 신체와 휴대 물체가 만들어내는 무선 패턴을 학습해 은닉 권총을 소지한 사람을 식별하려 한다.

이 프로젝트는 카메라와 검색대 스캐너 사이의 일반적인 선택지에 도전한다. 카메라는 옷 아래 숨겨진 물체를 볼 수 없고, 금속 탐지기는 사람들을 지정된 검색 통로로 제한한다. WiFireNet은 방 안을 이미 오가는 무선 신호를 보조 센서로 전환하는 세 번째 경로를 탐색한다.

반전은 더 오래되고 단순한 Wi-Fi 구성이 가장 강력한 권총 탐지 성과를 냈다는 점이다. 확장된 실험 구성은 더 많은 직접 채널 측정값을 수집했지만, 더 넓은 탐지 과제에서는 성능이 낮았다. 이 발견은 연구를 더 흥미롭게 만들지만, 동시에 성능이 방, 데이터세트, 평가 설계에 얼마나 크게 좌우되는지도 드러낸다.

WiFireNet 권총 탐지는 무선 측정값을 시각적 예측으로 전환한다

FOI의 실험은 Wi-Fi로 이미지를 만들어내지 않는다. 대신 무선 측정값을 비전 스타일 탐지기가 처리할 수 있는 표현으로 변환한다.

연구진은 참가자들이 실내 공간을 이동하는 동안 무선 신호와 동기화된 RGB 영상을 기록해 WiFire 데이터세트를 구축했다. 영상은 학습과 평가 중 라벨을 제공했다. WiFireNet 논문에 따르면, 추론 단계에서 최종 WiFireNet 모델은 CSI 샘플만 사용했다.

CSI에는 무선 채널의 여러 구간에 걸친 진폭과 위상 측정값이 포함된다. 진폭은 신호 세기를 나타내며, 위상은 파동이 한 주기 안에서 차지하는 위치를 기록한다. 이 측정값들은 함께 방 안의 흡수, 산란, 다중경로 전파를 반영한다.

다중경로 전파는 신호가 여러 반사 경로를 거쳐 수신기에 도달할 때 발생한다. 사람, 벽, 물병, 휴대전화, 권총은 이런 경로를 바꿀 수 있다. 모델은 그 결과로 나타난 측정값 안에서 반복 가능한 차이를 찾는다.

팀은 비활성화된 금속 권총, 플라스틱 권총, 금속 물병, 휴대전화 등 네 가지 휴대 물체 클래스를 수집했다. 이러한 선택은 의도적인 혼동을 만든다. 플라스틱 모형은 권총의 전반적인 형태를 공유하며, 물병과 휴대전화는 익숙한 재질과 휴대 물체 특성을 도입한다.

기록된 각 장면에서 비활성화된 금속 권총을 소지한 사람은 최대 한 명이었다. 더 큰 수집 공간은 12제곱미터였고 0명에서 4명이 있었다. 두 번째 방은 8제곱미터였으며 최대 2명만 포함했다.

연구진은 노트북 두 대를 사용했으며, 한 대는 송신기에 연결하고 다른 한 대는 수신기에 연결했다. 수신 컴퓨터에 연결한 USB 카메라는 주석 작업용 영상을 촬영했다. CSI는 80Hz로 버스트 형태로 도착했고, 카메라는 초당 30프레임으로 기록했다.

주요 WiFi-regular 및 WiFi-plus 구성은 각각 약 100,000개의 CSI 샘플을 포함했다. 작은 방 수집 데이터는 약 40,000개 샘플이었다. 이는 240,000개의 독립적인 방, 참가자 또는 배포 시험이 아니라 개별 무선 관측값이다.

WiFireNet은 예측마다 최신 CSI 샘플 3개를 처리한다. 저자들은 이 입력이 37.5밀리초를 포괄한다고 설명한다. 모델은 위상과 진폭을 분리하고 각 구성 요소를 자체 합성곱 인코더로 보낸다.

그다음 모달리티 변환 네트워크가 결합된 특징을 합성 공간 표현으로 재구성한다. 이 표현은 여러 업샘플링 단계를 거쳐 카메라 이미지 크기와 일치할 때까지 확장된다. 이는 전파로 재구성한 사진이 아니라 학습된 좌표 표면이다.

특징 피라미드 네트워크는 그 표면을 여러 공간적 규모에서 분석한다. 영역 제안 네트워크는 가능한 경계 상자를 제안하고, 탐지 헤드는 이를 정제하고 분류한다. 이 부분들은 확립된 컴퓨터 비전 객체 탐지기에서 크게 차용했다.

따라서 최종 추론에는 카메라가 없지만, 학습 중에는 카메라가 중요한 역할을 한다. 비전 모델은 교차 모달 지식 증류를 통해 학습 중 교사 역할을 한다. 이 과정은 Wi-Fi 특징이 동기화된 이미지에서 추출한 유용한 특징과 닮도록 유도한다.

FOI는 프로젝트의 오픈소스 코드를 공개하고 WiFire 데이터세트를 배포했다. 이를 통해 다른 연구자들은 설계를 검토하고, 실험을 재실행하며, 더 까다로운 데이터 분할을 시험할 수 있다.

즉각적인 변화는 배포 가능한 보안 제품이 아니다. 이는 은닉 권총 탐지를 동적 다인원 Wi-Fi 센싱 문제로 규정하는 재현 가능한 연구 패키지다.

72.5% 결과는 평균 정밀도이지 보안 성공률이 아니다

이 핵심 수치는 하나의 평가 조건에서 순위화된 탐지 성능을 측정한다. 시스템이 사람의 72.5%를 정확히 통과시키거나 경보를 울린다는 뜻은 아니다.

WiFi-regular 구성에서 권총 클래스 평균 정밀도는 25% 교집합 대비 합집합 임계값에서 72.5%에 도달했다. 더 엄격한 50% 임계값에서는 권총 점수가 53.8%로 떨어졌다.

교집합 대비 합집합, 즉 IoU는 예측 상자가 라벨된 상자와 얼마나 겹치는지 측정한다. 25% 임계값은 비교적 느슨한 위치 추정을 허용한다. 50% 임계값은 예측과 기준값 사이에 더 가까운 일치를 요구한다.

평균 정밀도는 신뢰도 임계값 전반에서 정밀도와 재현율을 결합한다. 정확한 탐지가 거짓 탐지보다 높은 순위를 얻는 모델에 보상한다. 이는 정확도와 동일시할 수 없으며, 검색대의 오경보율을 직접 설명하지도 않는다.

이 구분은 배포된 보안 시스템이 선택된 경보 임계값에서 작동하기 때문에 중요하다. 운영자는 무장한 사람을 몇 명 놓치는지, 무장하지 않은 사람에게 몇 건의 경보를 울리는지 알아야 한다. 논문은 공공 검색을 위해 선택된 운영 임계값이 아니라 연구 지표를 보고한다.

72.5% 수치는 권총 클래스만을 대상으로 한다. 모든 클래스를 포함했을 때 WiFi-regular는 25% IoU에서 평균 정밀도 50.3%를 기록했다. 이 결과는 50% IoU에서 47.1%로 하락했다.

같은 구성의 재현율은 더 높았다. WiFi-regular는 평가된 클래스 전반에서 25% IoU에서 재현율 91.5%, 50% IoU에서 89.5%를 보고했다. 특히 더 많은 잠재 표적을 포착하도록 신뢰도 임계값을 조정할 경우, 높은 재현율은 상당한 거짓 양성과 공존할 수 있다.

더 엄격한 권총 결과는 특히 많은 것을 보여준다. WiFireNet은 권총 소지자가 존재한다는 증거를 유지했지만, 예측한 위치는 종종 가까운 일치에 미치지 못했다. 이 시스템은 무기의 정확한 위치를 식별하기보다 탐지를 사람 주변의 이미지 공간 영역과 연결한다.

이 한계가 기본 결과를 지우지는 않는다. 휴대전화, 물병, 플라스틱 모형 가운데 은닉된 금속 권총을 탐지하는 일은 일반 금속을 탐지하는 것보다 더 구체적이다. 연구진은 여러 사람이 움직이는 장면을 기록함으로써 정적이고 고립된 물체 실험을 넘어섰다.

그러나 실험은 여전히 작고 통제된 두 개의 방 안에서 이뤄졌다. 더 큰 장면은 12제곱미터로, 많은 사무실, 교실 또는 소매점 출입구보다 작은 면적이다. 최대 군중도 4명이었다.

실제 검색 환경은 더 까다로운 클래스 불균형을 만든다. 대부분의 사람은 권총을 소지하지 않으므로, 오탐률이 크지 않더라도 많은 경보가 발생할 수 있다. 공개된 평균 정밀도 값은 WiFireNet이 이러한 운영상의 불균형에서 어떻게 작동하는지 답하지 못한다.

보안 구매자는 의복, 신체 위치, 이동 방향, 권총 방향, 거리별로 세분화된 결과도 필요로 한다. 현재 논문은 이러한 변수 전반에서 일관된 성능을 확립하지 않는다. 추가 시험을 위한 기준선을 제시할 뿐이다.

신중한 결론은 WiFireNet 권총 탐지가 CSI에서 활용 가능한 통계적 구조를 발견했다는 것이다. 이 실험은 특정 사람이 무장했을 신뢰할 만한 확률을 확립하지 않는다.

이 차이는 고무적인 머신러닝 벤치마크와 보안 의사결정을 구분한다. 모델은 추가 연구를 정당화할 만큼 성능이 좋을 수 있지만, 자율 배포에는 여전히 안전하지 않을 수 있다.

더 많은 Wi-Fi 측정값이 더 낮은 결과를 낳았다

WiFireNet의 가장 유익한 결과는 최고 점수가 아니다. 추가 직접 채널 측정값이 탐지를 개선하지 못했다는 실패다.

팀은 두 가지 무선 구성에서 데이터를 수집했다. WiFi-regular는 표준 IEEE 802.11a 배열을 따르며 4개의 파일럿 부반송파를 사용했다. 나머지 48개 부반송파의 값은 선형 보간으로 얻었다.

반면 WiFi-plus는 사용 가능한 52개 부반송파 중 48개를 파일럿으로 사용했다. 이는 사용 가능한 부반송파의 92.3%에 걸쳐 직접 측정값을 제공했다. 이 구성은 더 조밀한 채널 정보를 제공하고 레이더 스타일 센싱에 가까워지도록 설계됐다.

단순한 기대는 다음과 같다. 더 풍부한 측정값은 물체를 더 쉽게 구분하게 해야 한다. 결과는 이 기대를 뒷받침하지 않았다. WiFi-plus는 25% IoU에서 평균 정밀도 39.9%, 50% IoU에서 37.2%에 그쳤다.

WiFi-regular는 같은 임계값에서 50.3%와 47.1%를 기록했다. 권총 단독 결과도 큰 차이로 앞섰다. WiFi-plus는 두 IoU 임계값 모두에서 권총 평균 정밀도 44.2%를 보고한 반면, WiFi-regular는 72.5%와 53.8%를 기록했다.

저자들은 확정적인 설명을 주장하지 않는다. 비교적 깨끗한 수집 환경이 유용한 다중경로 반사를 더 적게 생성했을 수 있다고 제안한다. 추가 부반송파 데이터는 복잡하고 혼잡한 방에서 더 중요할 수 있다.

데이터세트 간 무작위 차이도 또 다른 가능성이다. WiFi-regular와 WiFi-plus는 별도 구성으로 수집됐으므로, 두 결과의 비교는 다른 모든 변동 원인으로부터 무선 해상도만을 분리하지 못한다. 논문은 이 결과를 향후 연구 과제로 제시한다.

이 모호성은 Wi-Fi 센싱의 핵심 과제를 보여준다. 더 많은 신호 세부 정보가 자동으로 더 높은 전이 가능 정보를 만들지는 않는다. 학습 시스템은 의도한 물체가 아니라 방, 수집 세션 또는 하드웨어 경로에 묶인 패턴을 활용할 수 있다.

작은 방 결과는 이 문제를 더욱 뒷받침한다. 해당 기준 평균 정밀도는 25% IoU에서 49.8%, 50% IoU에서 46.9%에 도달했다. 이 수치는 WiFi-plus 구성을 사용했음에도 WiFi-regular에 근접했다.

저자들은 작은 방에서 더 쉬운 위치 추정이 가까운 벽에서 나온 더 강한 다중경로 반사 때문이라고 본다. 다시 말해, 방은 더 풍부한 무선 경로 집합을 만들어 센싱을 개선할 수 있다.

이 메커니즘은 배포를 어렵게 만들기도 한다. 가구를 옮기거나, 문을 열거나, 칸막이를 추가하거나, 군중 밀도를 바꾸면 이러한 경로는 재구성될 수 있다. 한 배치 환경에서 학습된 모델은 건물을 벗어나지 않고도 다른 입력 분포를 마주할 수 있다.

네트워크 설계 자체도 더 뚜렷한 성능 차이를 만들었다. 합성곱 모달리티 변환기를 매개변수 수를 맞춘 다층 퍼셉트론으로 교체하자, 25% IoU에서 WiFi-regular 평균 정밀도는 50.3%에서 35.5%로 떨어졌다.

50% IoU에서는 같은 변경으로 성능이 47.1%에서 31.3%로 감소했다. 합성곱은 위상 및 진폭 입력 내부의 국소 구조를 포착하는 데 네트워크를 돕는 것으로 보인다.

비전 기반 지식 증류도 일부 구성에서 도움이 됐다. 해당 손실을 제거하자 25% IoU에서 WiFi-regular 성능은 50.3%에서 42.4%로 낮아졌다. 50% IoU에서는 결과가 47.1%에서 39.4%로 하락했다.

그러나 증류 손실은 WiFi-plus를 개선하지 못했다. 이처럼 고르지 않은 기여도는 시스템 동작이 수집 조건에 좌우된다는 점을 다시 시사한다.

따라서 핵심 메커니즘은 그럴듯하지만 아직 확정적이지 않다. CSI에는 사람과 휴대 물체에 관련된 정보가 담겨 있다. WiFireNet은 그 구조 일부를 공간적 탐지 결과로 변환할 수 있다.

여전히 알 수 없는 점은 학습된 표현이 권총을 폭넓게 설명하는지, 아니면 이 방들 안의 안정적인 상관관계를 기억하는지다. 서브캐리어를 늘려도 이 불확실성은 해소되지 않았다.

진짜 경쟁 상대는 금속 탐지기가 아니라 공간 의존성이다

WiFireNet은 주된 장애물이 환경 일반화인 보완적 센싱 실험으로 이해하는 것이 가장 적절하다.

논문은 Wi-Fi 센싱을 카메라와 금속 탐지기와 나란히 제시한다. 각 모달리티가 서로 다른 증거를 포착한다는 점에서 이런 구도는 타당하다. 카메라는 외형을 포착하고, 금속 탐지기는 전도성 물질에 반응하며, CSI는 무선 채널 전반의 변화를 반영한다.

하지만 WiFireNet은 현재 신뢰성 면에서 성숙한 보안 검색 장비와 경쟁하지 못한다. 더 직접적인 경쟁은 공간별 신호 학습과 장소 전반으로 일반화되는 탐지기 사이에서 벌어진다.

학습 설정은 이 경쟁을 특히 중요하게 만든다. 연구진은 개별 CSI 샘플 단위로 데이터셋을 분할했다. 샘플의 절반은 학습에 사용됐고, 나머지 절반은 테스트 세트가 됐다. 학습 데이터 중 20%는 검증 데이터로 사용됐다.

80Hz로 기록된 개별 샘플은 시간상 매우 밀접하게 연관될 수 있다. 인접한 관측값에는 같은 사람, 물체, 위치, 실내 상태가 나타날 수 있다. 따라서 무작위 샘플 단위 분할은 매우 유사한 순간을 학습 경계의 양쪽에 배치할 수 있다.

논문은 관련 Wi-Fi 센싱 연구의 선례를 따르지만, 그렇다고 배포 관련 의문이 해소되는 것은 아니다. 더 강력한 평가는 참가자 전체, 기록 세션, 공간 또는 하드웨어 구성을 통째로 제외해야 한다.

이 연구는 특정 공간을 통째로 제외한 평가를 보고하지 않는다. 학습된 모델을 낯선 건물 안에서 시험한 방법도 설명하지 않는다. 따라서 미지의 배치에서의 성능 주장은 뒷받침되지 않는다.

Tom’s Hardware는 이 프로토타입이 낯선 실내 구성에서 어려움을 겪는다고 지적했다. 이 한계는 다중경로 구조의 역할에서 직접 비롯된다. WiFireNet에서 무선 환경은 배경 잡음이 아니라 모델 입력의 일부다.

선행 연구는 더 넓은 개념 자체가 새롭지 않음을 보여준다. 2018년 상용 Wi-Fi 연구는 은닉된 금속 물체의 비침습적 탐지를 살펴봤다. 다른 프로젝트들은 CSI를 인간 활동 인식, 위치 추정, 자세 추정, 인원 계수에 활용해 왔다.

2025년에 발표된 동료 심사 은닉 물체 연구는 실내 테스트에서 실제 총기에 대해 87.5% 정확도를 보고했다. 이 프로젝트는 WiFireNet의 다인원 이미지 좌표 탐지와 달리 사람 신체와 무기를 함께 포함한 사례를 분류했다.

이 수치를 직접 순위화해서는 안 된다. 정확도와 평균 정밀도는 서로 다른 동작을 측정하며, 데이터셋과 장면 설계도 다르다. 이들이 함께 존재한다는 사실은 무선 기반 물체 센싱이 단일 실험실 시연을 넘어섰음을 보여준다.

WiFireNet은 동적인 집단, 혼동하기 쉬운 물체, 공간 탐지, 공개 자료를 통해 이 연구 흐름을 발전시킨다. 공개 데이터셋은 폐쇄형 프로토타입보다 독립적 검토를 더 쉽게 만든다.

그럼에도 공개 코드는 제한적인 학습 데이터를 보완할 수 없다. 공개 모델은 검사와 확장이 가능하지만, 기록에 반영된 조건을 그대로 물려받는다.

“일반 Wi-Fi”라는 표현에도 단서가 필요하다. 이 실험은 GNU Radio에서 수정된 오픈 소스 IEEE 802.11a 구현을 사용했다. 5.68GHz에서 20MHz 대역폭으로 작동했다.

이 구성은 확립된 무선 표준을 사용하지만, 모든 소비자용 라우터에 애플리케이션을 설치하는 것과는 다르다. 배포에는 호환 가능한 CSI 접근, 알려진 송신기 및 수신기 배치, 보정된 타이밍, 측정값을 처리할 수 있는 소프트웨어가 필요하다.

최신 Wi-Fi 세대는 더 넓은 채널과 더 상세한 측정값을 제공할 수 있다. 이러한 역량은 연구 기회를 제공하지만, WiFireNet의 WiFi-plus 결과는 더 많은 데이터가 더 나은 탐지를 보장한다고 가정하지 말아야 한다고 경고한다.

이 시스템은 폭넓은 도입을 논하기 전에 연구자들이 일반화 문제를 해결하도록 압박한다. 아직 학교, 공항, 사무실이 기존 보안 장비를 교체하도록 압박하는 단계는 아니다.

오픈 소스는 검증을 돕지만, 프라이버시 문제도 더 선명하게 만든다

카메라 없이 은닉 물체를 감지하는 시스템은 한 가지 프라이버시 위험을 줄일 수 있지만, 또 다른 형태의 보이지 않는 관찰을 만들어낼 수 있다.

WiFireNet은 추론 중 식별 가능한 사진을 생성하지 않는다. 이 특성은 얼굴 외형, 의복 세부 정보, 기타 시각 정보의 수집을 제한할 수 있다. 또한 어둠이나 시각적 가림 상태에서도 센싱을 지원한다.

그러나 프라이버시는 카메라의 존재 여부에만 달려 있지 않다. 무선 시스템은 상호작용하지 않는 사람의 존재, 움직임, 위치 또는 소지품도 추론할 수 있다.

Wi-Fi 센싱은 알아차리기 어려울 수 있다. 사람들은 일반적으로 눈에 보이는 카메라가 공간을 관찰한다는 점을 이해한다. 그러나 액세스 포인트와 수신기가 의복 아래 물체를 분류할 수 있다고는 예상하지 않을 수 있다.

이러한 불일치는 동의 문제를 만든다. 공공 배포에는 고지, 허용된 사용, 보존, 접근, 검토를 다루는 명확한 규칙이 필요하다. 경보에 이의를 제기할 절차도 필요하다.

이 맥락에서 오탐은 단순한 불편을 넘어선다. 누군가를 권총 소지 가능자로 분류하는 시스템은 보안 대응을 유발할 수 있다. 그 결과는 운영자가 신뢰도 점수를 어떻게 해석하고 다른 증거와 어떻게 결합하는지에 달려 있다.

현재 연구는 자율적 개입을 정당화하지 않는다. WiFireNet은 의도, 적법성 또는 신원을 판단해서는 안 된다. 이 시스템은 실험 영역 내에서 휴대 물체와 연관된 패턴을 분류하려 할 뿐이다.

합법적인 은닉 휴대가 허용되는 곳에서는 이 구분이 특히 중요하다. 무선 예측만으로는 누군가가 허가를 받았는지 판단할 수 없다. 물체가 존재하는 이유도 추론할 수 없다.

편향 테스트는 전통적인 인구통계 범주를 넘어 확장돼야 한다. 무선 전파는 체격, 의복, 액세서리, 이동 보조기기, 휴대 전자기기, 움직임 패턴에 따라 달라질 수 있다. 불균형한 대표성은 불균형한 경보율을 낳을 수 있다.

기록된 네 가지 물체 클래스는 신중한 출발점이지만, 공공 환경에는 훨씬 더 많은 변수가 존재한다. 우산, 공구, 카메라, 배터리 팩, 의료기기, 노트북, 밀집한 집단은 낯선 무선 신호 특성을 만들 수 있다.

적대적 행동도 답이 나오지 않은 문제다. 사람은 권총의 방향, 위치, 덮개 재질 또는 다른 금속 물체와의 근접성을 바꿀 수 있다. 논문은 탐지를 회피하려는 의도적 시도를 평가하지 않는다.

인프라 운영자는 사이버보안도 고려해야 한다. 센싱 시스템은 신뢰할 수 있는 CSI 스트림, 동기화된 장치, 학습된 가중치, 경보 소프트웨어에 의존한다. 조작된 측정값이나 손상된 모델은 실제 탐지를 억제하거나 경보를 조작해 만들어낼 수 있다.

오픈 소스 공개는 방어적 평가를 뒷받침한다. 연구자들은 대체 분할을 시험하고, 전처리를 검사하며, 모델 제거 실험을 재현하고, 실패 사례를 찾을 수 있다. 독립 팀은 공개된 점수가 다른 하드웨어와 공간에서도 유지되는지 판단할 수 있다.

같은 개방성은 공식 기관 밖에서 실험할 장벽도 낮춘다. 그렇다고 공개 자체가 본질적으로 무책임한 것은 아니지만, 기술 검증과 함께 거버넌스의 중요성을 높인다.

적절한 단기 모델은 보조형 센싱이다. WiFireNet은 궁극적으로 카메라, 물리적 검색, 상황적 판단과 함께 훈련된 인력에게 또 하나의 신호를 제공할 수 있다. 보이지 않는 자동화된 고발 시스템으로 다뤄져서는 안 된다.

WiFireNet이 연구실을 벗어날지는 세 가지 시험이 결정한다

다음 단계에는 새로운 무선 표준에서 더 큰 점수를 얻는 것만이 아니라 더 엄격한 검증이 필요하다.

첫 번째로 주목할 신호는 참가자 제외 및 세션 제외 평가다. 연구자들은 일부 사람과 기록 세션으로 학습한 뒤, 완전히 분리된 사람과 세션에서 시험해야 한다. 이렇게 하면 인접 샘플이나 반복된 이동 경로가 성능을 부풀릴 가능성을 줄일 수 있다.

이 분할에서 강한 결과가 나온다면 WiFireNet이 물체 관련 패턴을 학습한다는 주장을 뒷받침할 수 있다. 반대로 급격한 하락은 모델이 학습 중 본 참가자, 움직임 또는 기록 조건에 크게 의존한다는 점을 보여줄 것이다.

두 번째 신호는 특정 공간을 통째로 제외한 테스트다. 유용한 실험은 여러 공간에서 학습한 뒤 미세 조정 없이 다른 건물 내부에서 평가하는 방식이다. 가구, 벽 재질, 송신기 배치, 군중 밀도, 관련 없는 무선 트래픽이 모두 달라져야 한다.

이 시험은 시스템의 주된 경쟁 상대인 환경 의존성을 겨냥한다. 안정적인 성능은 전이 가능한 Wi-Fi 센싱의 근거를 강화할 것이다. 실패한다면 이 기술은 보정된 현장 특화 설치로 제한될 것이다.

세 번째 신호는 더 큰 군중에서의 운영상 오류 프로파일이다. 연구자들은 선택한 임계값에서 사람당 또는 시간당 오경보 수를 보고해야 한다. 또한 서로 다른 무기 위치, 의복 유형, 움직임 패턴에 대한 미탐률도 공개해야 한다.

이 증거는 단일 평균 정밀도 헤드라인보다 더 중요하다. 보안 운영자는 임계값을 결정하며, 그 결정은 실질적인 결과를 낳는다. 벤치마크 성능이 합리적인 모델도 경보가 너무 자주 발생하면 사용할 수 없게 될 수 있다.

향후 실험은 Wi-Fi 7 또는 새롭게 등장하는 Wi-Fi 8 역량도 검토할 수 있다. 더 넓은 채널과 추가적인 공간 측정은 해상도를 향상시킬 수 있다. 그러나 WiFi-plus가 이미 반대 결과를 냈기 때문에, 현재 연구는 그런 결과를 가정할 근거를 제공하지 않는다.

하드웨어 낙관론보다 독립적 재현이 먼저여야 한다. 공개된 모델과 데이터는 외부 팀이 발표된 파이프라인을 재구성할 수 있게 한다. 더 가치 있는 단계는 서로 다른 장치, 공간, 참가자를 활용한 새 데이터셋을 수집하는 일이다.

WiFireNet 권총 탐지는 중요한 연구 문턱을 넘었다. 이 시스템은 추론 시 CSI만 사용해 역동적인 다인원 실내 장면에서 은닉 권총과 연관된 증거를 탐지했다.

하지만 배포 문턱은 넘지 못했다. 시스템은 네 가지 물체 클래스와 샘플 단위 데이터 분할을 바탕으로 두 개의 작은 방에서 테스트됐다. 가장 강한 수치도 더 엄격한 위치 추정 조건에서는 약화됐다.

개발자와 보안 연구자는 이제 원래 모델이 보지 못한 변화 속에서도 신호가 유지되는지 물어야 한다. 지속적인 재보정 없이 건물, 하드웨어, 사람, 의복, 잡동사니, 더 큰 군중 전반으로 일반화할 수 있는가?

이 시험들이 WiFireNet이 유용한 보조 센서가 될지, 아니면 유익한 실험실 벤치마크로 남을지를 결정할 것이다. 그때까지 72.5% 결과는 조달 절차가 아니라 연구 프로그램을 시작하게 해야 한다.