چکیده: فناوری صوت بر بستر LTE (VoLTE) به عنوان استاندارد غالب برای ارتباطات صوتی در شبکه‌های تلفن‌همراه هوشمند، مزایای قابل توجهی را به ارمغان آورده است. با این حال، گذار به معماری تماماً مبتنی برIP، سطح حملات جدیدی را به ویژه در حوزه حریم خصوصی مکانی ایجاد کرده است. پژوهش‌های پیشین عمدتاً بر نشت اطلاعات از طریق محتوای صریح پیام‌ها متمرکز بوده‌اند. این پایان‌نامه، یک نوع حمله نوین، پنهانکار و کم‌هزینه را معرفی می‌کند که از کانال جانبی زمانی در فرآیند برقراری تماس VoLTE برای استنتاج موقعیت مکانی کاربر بهره‌برداری می‌نماید. فرضیه اصلی این پژوهش آن است که تغییرات جزئی و میلی‌ثانیه‌ای در زمان‌بندی تبادل پیام‌های پروتکل آغاز نشست (SIP)، یک اثر انگشت زمانی منحصربه‌فرد و وابسته به مکان ایجاد می‌کند. برای آزمودن این فرضیه، یک چارچوب جامع طراحی و پیاده‌سازی شد. در این چارچوب، با برقراری تماس‌های مکرر و خودکار به دستگاه‌های هدف در ۹ شهر مختلف کشور و ۶ منطقه متمایز در یک شهر، بیش از ۵۰,۰۰۰ لاگ تماس از طریق ابزار ADB جمع‌آوری گردید. سپس، با استخراج ویژگی‌های زمانی دقیق از دنباله پیام‌های SIP، این ویژگی‌ها به عنوان ورودی برای آموزش پنج مدل مختلف یادگیری ماشین، از جمله جنگل تصادفی و شبکه‌های عصبی بازگشتی، استفاده شدند. نتایج آزمایش‌ها، فرضیه پژوهش را با موفقیت به اثبات رساند. مدل جنگل تصادفی در سناریوی طبقه‌بندی بین‌شهری به دقت ۸۵.۳٪ و مدل Gradient Boosting در سناریوی درون‌شهری به دقت ۷۹.۴٪ دست یافتند. تحلیل اهمیت ویژگی‌ها نشان داد که مدل‌ها به طور هوشمندانه معیارهای تصمیم‌گیری خود را بر اساس مقیاس جغرافیایی مسئله تطبیق می‌دهند. این پژوهش، وجود یک آسیب‌پذیری بنیادی و عملی را در شبکه‌های VoLTE آشکار می‌سازد که ریشه در مشخصات فیزیکی و معماری شبکه دارد و راهکارهای مقابله‌ای سنتی در برابر آن کارآمد نیستند.