A Privacy Preserving IoT Data Marketplace Using IOTA Smart Contracts
近年来，物联网设备产生的数据量急剧增加。利用这些数据可以改善公共和私营部门的决策，提高生产力。已经进行了许多尝试来增强和调整企业以利用这些物联网数据。其中，物联网数据交易是最受欢迎的方法。为此，正在进行的项目目前专注于使用区块链和加密货币为物联网开发分散的数据市场。在这里，我们将探讨如何使用IOTA tangle和IOTA智能合约链（SC链）创建去中心化的数据市场。我们还考虑了这种架构在成本，可扩展性和隐私方面的优势，并介绍了它应该具有的各种元素。
2022-10-10 cs.CR
Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework
Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；Florida Atlantic University（佛罗里达亚特兰大大学）
本文提出统一的威胁模型和评估框架，分析物联网分布式学习中的隐私保护技术，揭示隐私强度与系统效率之间的权衡。
2026-05-10 cs.CR cs.LG
Incorporating Individual and Group Privacy Preferences in the Internet of Things
本文提出了一种新的隐私协商机制，物联网环境，这是有效的和实用的，以应付物联网的无缝的特殊需求。这种机制允许物联网用户在与物联网部署进行交互时，以无缝的方式表达和实施他们的个人隐私偏好。该论文的一个关键贡献是，它解决了个人用户以及一组用户的隐私问题，其中所有个人用户的隐私偏好都被合并到一个组隐私配置文件中，以便与物联网所有者进行协商。此外，所提出的机制满足物联网部署所有者的隐私要求。最后，所提出的隐私机制对实际的物联网架构是不可知的，并且可以在用户管理的、边缘管理的或云管理的物联网架构上使用。所提出的机制的原型已经实现了这三个架构中的每一个，结果表明协议的能力，以协商隐私，同时增加微不足道的时间开销。
2021-03-13 cs.CR
Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap
School of CSE, University of NSW（新南威尔士大学计算机科学与工程学院）
本文综述了物联网中隐私保护机器学习的跨范式方法，分析了隐私保障、计算复杂度、异构设备参与下的可扩展性及威胁抵御能力，并探讨了无线物联网环境中的部署限制与开放挑战。
2026-03-30 cs.CR cs.LG
A Path to Holistic Privacy in Stream Processing Systems
Technical University of Darmstadt（达姆施塔特工业大学）
本文系统审视了流处理系统与物联网交叉领域的隐私问题，识别了实现全面隐私保护的关键挑战并提出相应解决方案。
2023-05-19 cs.CR cs.LG
Digital Privacy in IoT: Exploring Challenges, Approaches and Open Issues
Birla Institute of Technology and Science, Pilani（比拉理工学院）
本文探讨物联网中数字隐私的风险与挑战，提出IEEE隐私模型分类框架，分析加密、区块链等隐私增强技术，并介绍AURA-IoT框架以应对AI驱动的隐私风险。
2026-04-06 cs.CR
A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT
University of North Dakota（北达科他大学）
针对物联网环境下传统僵尸网络检测方法的扩展性、隐私性与适应性问题，提出基于联邦学习的轻量级隐私保护检测框架，采用通信高效聚合策略，在保证检测准确率的同时大幅降低通信成本。
2025-10-03 cs.CR cs.DC cs.LG
Preprint: Privacy-preserving IoT Data Sharing Scheme
数据共享可以使用不同的因素来授权，其中之一是用户或物联网设备环境中的东西，在本文中是广播信号。使用广播信号测量接收信号强度指标值和机器学习模型，本文实现了基于物联网设备环境中的东西的物联网数据共享方案。使用不同的ML模型对所提出的方案进行了实验测试，结果显示其最高准确率为97.78%。
2022-09-26 cs.CR
Automated Approach to Improve IoT Privacy Policies
物联网（IoT）作为互联实体的网络[18]的大规模增长，在隐私和安全要求方面对传统软件工程领域提出了新的挑战[4]。为了保护个人隐私，FTC的公平信息实践原则（FIPP）[6]建议公司向消费者发出有关其数据实践的通知，为他们提供选择，并为他们提供控制自己数据的方法。使用隐私政策是此类通知最常见的方式。然而，由于两个主要原因，隐私政策通常并不有效：首先，隐私政策很长，充满了普通用户无法理解的法律术语;其次，不能保证物联网设备的行为与隐私政策中解释的一样。在本技术报告中，我们提出并讨论了分析隐私政策的方法。通过这种分析，我们减少了隐私政策的长度，并使其组织基于隐私惯例，以提高用户的理解水平。我们还提出了一种方法来找到物联网设备与其隐私政策之间的不一致之处。
2019-10-06 cs.CR
Security, Privacy and Trust for Smart Mobile-Internet of Things (M-IoT): A Survey
物联网（IoT）具有广泛的应用范围，吸引了来自世界各地的行业和学者。物联网通过向所有具有计算能力的设备提供互联网接入，通过无处不在的连接来促进运营。随着无线基础设施的发展，重点已经从简单的物联网转移到智能，连接和移动物联网（M-IoT）设备和平台，它可以通过传感器，机器甚至众包实现低复杂性，低成本和高效的计算。所有这些设备都可以归类为M-IoT的共同术语。尽管对应用程序的积极影响是巨大的，但安全性，隐私和信任仍然是此类网络的主要问题，这些要求的执行力度不足会对M-IoT设备和平台带来不可忽视的威胁。因此，重要的是要了解可用于为M-IoT提供安全，隐私兼容和值得信赖的机制的解决方案范围。目前还没有直接的调查，重点是M-IoT中的安全性，隐私，信任，安全协议，物理层安全和切换保护。本文介绍了这些解决方案，并对适用于智能和互联M-IoT网络中的安全性、隐私性和信任的最先进的物联网解决方案进行了比较。除此之外，本文还讨论了各种挑战，应用，优势，技术，标准，开放问题以及安全，隐私和信任的路线图。
2020-08-09 cs.CR cs.NI
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
A Smart Home is No Castle: Privacy Vulnerabilities of Encrypted IoT Traffic
被称为物联网（IoT）的专用互联网连接设备和电器的日益普及，带来了新的便利和新的隐私问题。与传统的Web浏览器不同，许多物联网设备都有始终在线的传感器，可以不断监控用户物理环境的细粒度细节，并影响设备的网络通信。被动网络观察者，如互联网服务提供商，可能会分析物联网网络流量，以推断有关用户的敏感细节。在这里，我们检查了四个物联网灵巧家庭设备（Sense睡眠监视器，Nest Cam室内安全摄像头，WeMo交换机和Amazon Echo），发现它们的网络流量率可以揭示潜在的敏感用户交互，即使流量被加密。这些结果表明，需要一种技术解决方案来保护物联网设备所有者的隐私，并且在围绕ISP数据汇集和使用的持续政策辩论中必须考虑物联网特定的问题。
2017-05-18 cs.CR
PrivacyCube: Data Physicalization for Enhancing Privacy Awareness in IoT
本文提出数据物理化设备 PrivacyCube，通过可视化物联网数据消费和隐私通知提升智能家居用户的隐私意识，并经焦点小组与14天实地研究验证其能显著增强隐私理解并促进家庭讨论。
2024-06-08 cs.CR cs.ET
Security and Privacy Enhancing in Blockchain-based IoT Environments via Anonym Auditing
本文提出融合区块链去中心化特性、先进安全协议与匿名审计的物联网安全框架，通过密码匿名化保护用户隐私并维持交易完整性与透明性，且与现有模型比较。
2024-03-03 cs.CR
Powering the Future of IoT: Federated Learning for Optimized Power Consumption and Enhanced Privacy
本文研究联邦学习在物联网中的应用，分析其如何通过降低功耗和增强隐私安全来延长设备寿命，并探讨其机遇、局限及未来研究方向。
2024-05-05 cs.CR
Privacy-Preserving Detection of IoT Devices Connected Behind a NAT in a Smart Home Setup
Ben-Gurion University of the Negev（本-古里安大学）；iTrust - Singapore University of Technology and Design（iTrust——新加坡科技设计大学）
如今，电信服务提供商（电信公司）面临着由连接到客户网络的受损物联网设备执行的网络攻击。这种攻击不仅可能对攻击目标产生严重影响，而且可能对电信公司本身产生严重影响。为了减轻这些风险，我们提出了一种基于机器学习的方法，可以检测连接在国内NAT后面的特定易受攻击的物联网模型的设备，从而识别对电信公司的基础设施和服务可用性构成风险的家庭网络。作为保护国内客户隐私的努力的一部分，我们的方法仅依赖于NetFlow数据，而不检查有效载荷。为了促进这一领域的未来研究，我们分享了我们的新数据集，这些数据集是在我们的实验室中从许多不同的商业物联网设备中收集的。
2019-05-31 cs.CR cs.LG cs.NI
Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities
Western University（西安大略大学）
针对物联网网络中传统集中式安全方法难以平衡隐私保护与实时威胁检测的问题，提出联邦学习驱动的网络安全框架，利用本地模型训练、同态加密聚合及RNN异常检测，实现98%以上威胁检测准确率并降低20%资源消耗，提供可扩展隐私保护方案。
2025-02-14 cs.CR cs.LG cs.NI
Security and Privacy-Preservation of IoT Data in Cloud-Fog Computing Environment
物联网是发展最快的技术，在各个领域都有广泛的应用。物联网设备每秒从现实环境中生成数据，并将其传输到云端，因为边缘站点的存储空间较少。外包云是处理存储问题的解决方案。用户的隐私可以通过将数据存储在云上而暴露。因此，我们提出了一种私有数据存储模型，该模型将物联网数据存储在外包云上，并具有隐私保护。雾节点在边缘侧用于数据分区和加密。在外包云上借助同态加密聚合分区和加密的数据。为了安全查询处理和访问来自外包云的数据，可以在外包云上使用引入的模型。
2022-12-01 cs.CR
Multi-Party Computation in IoT for Privacy-Preservation
随着物联网辅助智能系统及其无处不在的智能传感器的使用越来越多，隐私保护一直是一个严重的问题。为了解决这个问题，智能系统正在被训练成更多地依赖聚合数据，而不是直接使用原始数据。然而，大多数现有的隐私保护数据聚合的策略，或者依赖于计算密集型的同态加密为基础的操作或通信密集型的协作机制。不幸的是，没有一种方法直接适用于资源受限的物联网系统。在这项工作中，我们利用基于并发传输的通信技术来有效地实现基于多方计算（MPC）的策略，即著名的Shamir秘密共享（SSS），并对其进行优化，使其适用于现实世界的物联网系统。
2022-06-04 cs.CR
The Effect of IoT New Features on Security and Privacy: New Threats, Existing Solutions, and Challenges Yet to Be Solved
物联网（IoT）的未来已经在我们面前。物联网应用已广泛应用于医疗、能源、工业自动化等社会生产和生活的诸多领域。在享受物联网给我们带来的便利和效率的同时，物联网带来的新威胁也出现了。有越来越多的研究工作，以减轻这些威胁，但许多问题仍然存在。为了更好地理解新威胁的本质原因以及当前研究面临的挑战，本调查首次提出了“物联网特征”的概念。然后，讨论了八个物联网新功能的安全和隐私影响，包括它们造成的威胁，现有的解决方案和有待解决的挑战。为了帮助研究人员跟踪该领域的最新工作，本文最后通过调查2013年至2017年与物联网安全相关的大多数现有研究工作，说明了物联网安全研究的发展趋势，并揭示了物联网特征如何影响现有的安全研究。
2018-02-09 cs.CR
PTMF: A Privacy Threat Modeling Framework for IoT with Expert-Driven Threat Propagation Analysis
Carleton University（卡尔顿大学）
本文提出PTMF框架，结合MITRE ATT&CK与LINDDUN，通过专家问卷分析12种物联网隐私威胁，识别关键威胁行为者及路径，为主动隐私防护提供基础。
2025-10-24 cs.CR
AI-Protected Blockchain-based IoT environments: Harnessing the Future of Network Security and Privacy
本研究探讨人工智能与区块链在物联网中的协同作用，通过AI分析数据检测威胁、区块链确保防篡改，以增强网络安全与隐私保护。
2024-05-22 cs.CR
Secure Multi-Party Computation based Privacy Preserving Data Analysis in Healthcare IoT Systems
Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）；Simula Research Laboratory（西穆拉研究实验室）
最近，通过快速发展的物联网（IoT）技术，医疗保健领域经历了许多创新，为卫生部门提供了重大发展和设施，并改善了人类的日常生活。物联网连接了人与信息技术并加快了购物速度。由于这些原因，物联网技术已经开始大规模使用。由于物联网技术在健康服务中的应用，慢性病监测、健康监测、快速干预、早期诊断和治疗等促进了健康服务的提供。然而，传输到数字环境中的数据构成了隐私泄露的威胁。未经授权的人使用了它们，并对个人的健康和隐私进行了恶意攻击。在这项研究中，它的目的是提出一个模型来处理隐私问题的基础上联邦学习。此外，我们采用安全多方计算。我们提出的模型提供了广泛的隐私和数据分析，并实现了高性能。
2021-09-29 cs.AI cs.CR
Enhancing IoT Security and Privacy with Trusted Execution Environments and Machine Learning
针对物联网设备向不可信云传输敏感信息的安全问题，提出将外设驱动隔离在可信执行环境中、用安全机器学习分类过滤敏感数据的方案，提升物联网系统的安全与隐私性。
2023-05-04 cs.CR
Program Analysis of Commodity IoT Applications for Security and Privacy: Challenges and Opportunities
物联网（IoT）的最新进展已经实现了诸如灵巧家庭、个人监控设备和增强型制造的无数领域。物联网现在已经无处不在--几乎在每一个可以想象的环境中都在使用新的应用程序，这导致了基于设备的交互和自动化的采用。然而，物联网也提出了有关这些数字增强空间的安全性和隐私性的问题。程序分析在识别这些问题方面至关重要，但物联网中程序分析的应用和范围在很大程度上尚未被技术社区探索。在本文中，我们研究了物联网中需要程序分析技术的隐私和安全问题，重点是迄今为止针对这些系统的已识别攻击和防御措施。基于对五个物联网编程平台的研究，我们确定了程序分析和安全社区研究工作的关键见解，并将程序分析技术的有效性与安全和隐私问题联系起来。最后，我们研究了最近的物联网分析系统，并探索了它们的实现。通过这些探索，我们强调了在校准物联网系统使用环境方面的关键挑战和机遇。
2018-12-24 cs.CR cs.PL
Privacy-Patterns for IoT Application Developers
设计物联网（IoT）应用程序（app）是一项挑战，因为这些应用程序部署在其上的系统具有异构性。通常被归类为敏感的个人数据可能会被物联网应用程序收集和分析，预计数据隐私法将保护这些信息。已经存在各种方法来支持隐私设计（PbD）计划，使开发人员能够在应用程序开发的设计阶段考虑数据隐私。然而，由于可理解性和解释性的挑战，开发人员并没有广泛采用这些方法。目前存在有限数量的工具来帮助开发人员在这种情况下-导致我们的建议“鹦鹉”（隐私设计工具的物联网）。PARROT支持多种技术，以使PbD技术得到更广泛的应用。我们提出了一项对照研究的结果，并讨论了这种隐私保护工具如何提高物联网开发人员应用隐私法（如GDPR）和隐私模式的能力。我们的学生证明了PARROT原型工具提高了设计中隐私要求的意识，并增加了后续设计对数据隐私要求更加敏感的可能性。
2022-10-04 cs.CR cs.NI
A Review of Privacy-preserving Federated Learning for the Internet-of-Things
Keele University（基尔大学）
物联网（IoT）产生大量数据，其中大部分可归因于个人的活动和行为。收集个人数据并在中央位置对这些数据执行机器学习任务，会给个人带来重大的隐私风险，也会给将这些数据传输到云端带来挑战。然而，基于机器学习，特别是深度学习的分析可以从大量数据中受益匪浅，以开发高性能预测模型。这项工作回顾了联邦学习作为一种方法，用于对分布式数据执行机器学习，其目标是保护用户生成的数据的隐私，以及减少与数据传输相关的通信成本。我们调查了各种各样的论文，涵盖了通信效率，客户端异构性和隐私保护方法，这些方法对于物联网环境中的联邦学习至关重要。在这篇综述中，我们确定了应用于联邦学习的不同方法的优点和缺点，最后，我们概述了隐私保护联邦学习研究的未来方向，特别是专注于物联网应用。
2020-09-08 cs.CR cs.LG stat.ML
A Developer-Friendly Library for Smart Home IoT Privacy-Preserving Traffic Obfuscation
在过去的几年里，互联网连接设备的数量和种类大幅增长，对安全和隐私提出了新的挑战。研究表明，网络攻击者可以使用来自消费者物联网设备的流量率元数据来推断敏感的用户活动。塑造流量以适应独立于用户活动的分布可以保护隐私，但由于需要开发人员的努力和开销带宽成本，这种方法很少被采用。在这里，我们为物联网开发人员提供了一个Python库，可以轻松地将隐私保护流量整形集成到他们的产品中。该库通过有效负载填充、碎片和随机覆盖流量的组合自动混淆设备流量模式，从而取代了标准网络功能。我们的库成功地保护了用户隐私，并且对于具有低发送速率或高延迟容限的物联网设备，需要大约4 KB/s的开销带宽。考虑到美国家庭的正常互联网速度，这种开销是合理的，并且是对现有解决方案带宽要求的改进。
2018-08-22 cs.CR
New Problems and Solutions in IoT Security and Privacy
在S&P杂志的前一篇文章中，我们提出了物联网安全研究中新的智力挑战。在这篇文章中，我们回顾了我们之前的观察，并讨论了计算机安全社区解决新问题的一些结果。使用这个最近的工作样本，我们确定了一些广泛的一般主题，为未来的工作。
2019-10-08 cs.CR
FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios
提出融合DABE、HE、SMPC与区块链的FL-DABE-BC框架，在物联网设备端实现去中心化认证加密，并通过雾层安全聚合与差分隐私保护模型训练。
2024-10-26 cs.CR
Spying on the Smart Home: Privacy Attacks and Defenses on Encrypted IoT Traffic
不断增长的灵巧家庭物联网设备市场为消费者带来了新的便利，同时也为保护家庭隐私带来了新的挑战。许多灵巧家庭设备具有始终开启的传感器，该传感器捕获用户在其生活空间中的离线活动并在互联网上传输关于这些活动的信息。在本文中，我们证明了ISP或其他网络观察者可以通过分析包含商用物联网设备的灵巧家庭的互联网流量来推断隐私敏感的家庭活动，即使这些设备使用加密。我们评估了几种策略，以减轻与灵巧家庭设备流量，包括阻塞，隧道和速率整形的隐私风险。我们的实验表明，流量整形可以有效地和实际地减轻许多与灵巧家庭物联网设备相关的隐私风险。我们发现40 KB/s的额外带宽使用足以保护用户活动免受被动网络对手的攻击。对于许多灵巧家庭来说，这种带宽成本完全在互联网速度限制和数据上限之内。
2017-08-16 cs.CR
F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
Department of Computer Engineering, Ne. C., Islamic Azad University, Neyshabur, Iran（伊朗奈什巴尔伊斯兰Azad大学计算机工程系）
针对物联网设备网络中入侵检测面临的挑战，提出F-ACVAE框架，通过选择性参数聚合实现跨设备协作训练，引入新策略增强稳定性，实验表明其检测性能高且通信开销低。
2026-07-07 cs.CR cs.LG
An Efficient Privacy-Preserving Algorithm based on Randomized Response in IoT-based Smart Grid
在现有的隐私保护方法中，差分隐私（Differential Privacy，DP）是一种能够在统计数据库上提供隐私保护噪声查询答案的强大工具，在许多实际领域得到了广泛的应用。特别是，作为DP的隐私机器，随机聚合隐私保护有序响应（RAPPOR）为数据众包中的每个客户端字符串提供了强隐私，高效和高效用的保证。然而，对于物联网（IoT），如智能电网，数据通常是批量处理的。因此，开发一种可以支持批量处理的新随机响应算法往往比现有的随机响应算法更有效，更适合物联网应用。本文提出了一种新的随机响应算法，该算法能够实现对消费者行为的差异隐私和效用保证，并且每次处理一批数据。该算法首先通过稀疏编码，从聚合的能耗数据中创建行为特征字典。然后，通过经典的随机响应技术在行为签名字典中加入噪声，实现数据重新聚集后的差分隐私。通过差分隐私原理的安全性分析和实验结果验证，我们发现我们的算法可以在不牺牲效用的情况下保护用户的隐私。
2018-04-09 cs.CR
LIoTS: League of IoT Sovereignties. A Scalable approach for a Transparent Privacy-safe Federation of Secured IoT Platforms
物联网已经进入了数据生产和处理的所有领域，导致了大量的物联网平台，通常是基于云的，集中化数据和服务管理。这导致了许多不相交的物联网孤岛。在集成方面已经做出了重大努力，经常导致更大的集中式基础设施。这种方法通常会遇到物联网系统所有者不愿意放松对数据的控制的问题。我们引入了一个安全和隐私安全的基础设施，其中联邦覆盖分布在各方之间，数据控制保持在本地。这建立了一个对等体联盟，每个对等体都拥有其物联网系统和数据的主权：物联网主权联盟（LIoTS）。LIoTS在设计上是可扩展的，由于其联邦的透明性，允许域级别的迭代形成。测试表明，当交换的数据量很大时，开销最小，并且LIoTS在大型物联网部署中的性能优于集中式方法。
2020-05-13 cs.CR cs.SI
Game Theory Based Privacy Preserving Approach for Collaborative Deep Learning in IoT
物联网（IoT）的指数级增长已成为创造创新智能设备和互联领域（包括灵巧家庭、医疗保健、交通和制造业）的超越力量。随着数十亿物联网设备的出现，大量数据不断生成，传输和存储在物联网架构的各个点。深度学习广泛应用于物联网应用中，从物联网数据中提取有用的见解。然而，物联网用户有安全和隐私问题，不愿意与第三方应用程序或利益相关者共享他们的个人数据。为了解决用户隐私问题，协作深度学习（CDL）已被广泛应用于数据驱动的应用程序中，使多个物联网设备能够在边缘网关上本地训练其模型。在本章中，我们首先讨论不同类型的深度学习方法，以及如何在物联网领域中使用这些方法。我们提出了一种用于物联网设备的隐私保护协作深度学习方法，该方法可以从系统中的其他设备中获益。使用博弈论模型从移动边缘设备的行为角度分析了这种学习方法。分析了N人静态博弈模型的纳什均衡。我们进一步提出了一种新的边缘物联网设备之间的公平协作策略，使用基于集群的方法来解决CDL游戏，该策略强制移动边缘设备进行协作。我们还提出了在现实世界的灵巧家庭部署的实施细节和评估分析。
2021-04-03 cs.CR cs.GT
Data Privacy in IoT Equipped Future Smart Homes
智能设备正变得与日常生活密不可分，并在提供智能服务和远程监控方面快速发展。为了提供个性化和定制化的服务，需要更多的个人数据汇集。因此，智能服务正变得越来越个性化，并引起了人们对数据隐私和安全的担忧。在本文中，数据隐私的要求，在灵巧家庭环境配备了“物联网”的数据和模型的隐私挑战得到解决。
2020-08-11 cs.CR cs.CY
On the Suitability of Blockchain Platforms for IoT Applications: Architectures, Security, Privacy, and Performance
区块链和分布式账本技术在金融领域以外的各个领域都受到了极大的关注，在物联网（IoT）中有着深远的应用，为物联网应用程序创建真正可靠和安全的解决方案提供了手段。考虑到大多数物联网设备的安全防御能力较弱，针对物联网的基于区块链的解决方案不仅能够解决物联网面临的许多挑战，而且不会在性能方面引入其他缺陷，使其难以实现。本文旨在通过对可用的区块链解决方案进行全面和一致的审查来解决上述需求，以确定它们满足物联网需求和应对物联网挑战的能力，并使用灵巧家庭作为参考域。区块链解决方案的关键架构方面是在其抵御各种类型的常见物联网和区块链攻击的能力方面进行检查，提供增强的隐私功能，并在处理物联网环境中生成的大量交易时确保足够的性能水平。分析发现，区块链平台目前提供的防御不足以阻止所有针对区块链的突出攻击，区块链1.0和2.0平台容易受到其中大多数攻击。另一方面，隐私相关的机制正在不同程度上得到所有平台的支持;然而，它们中的每一个都只处理特定的隐私方面，从而使整体隐私评估成为一项具有挑战性的任务，需要在特定的基础上加以考虑。如果还考虑底层共识协议的性能和容错，那么只有少数平台符合我们参考物联网领域的要求。
2021-09-06 cs.CR
Privacy-Preserving Data in IoT-based Cloud Systems: A Comprehensive Survey with AI Integration
本综述系统梳理物联网云系统中隐私保护技术，分类分析加密、匿名化、访问控制及AI融合方法，揭示动态匿名化、同态加密和AI驱动控制等趋势，为相关领域提供全面参考。
2024-01-01 cs.CR
Selective privacy in IoT smart-farms for battery-powered device longevity
本文提出了一种有效载荷安全模型，以保持TLS的标准，同时消除与受限设备和物联网网络协议相关的障碍。作为智能农业环境的鱼菜共生领域被用来测试ESP32边缘设备的新颖性。隐私对消息内容的影响说明了最合适的安全属性配置，然后通过时间和功耗分析来计算每个场景的能耗。得出的结论是，使用这种定制的有效载荷安全模型而不是TLS能够将受限设备的电池寿命延长高达81%，同时保持TLS安全标准，并适用于各种协议。
2021-08-05 cs.CR
Protected or Porous: A Comparative Analysis of Threat Detection Capability of IoT Safeguards
首次调查IoT防护措施的威胁检测能力，通过开发自动化实验方法在大型测试床进行数千次测试，发现这些防护措施不仅防风险无效，其云交互与数据收集反而会引入新的隐私风险。
2023-04-06 cs.CR
LocationSafe: Granular Location Privacy for IoT Devices
如今，移动数据所有者缺乏对其位置数据的发布和使用的同意和控制。第三方应用程序连续处理和访问位置数据，而无需数据所有者精细控制，也不知道位置数据的使用方式。物联网设备的激增将导致更大规模的滥用信任。在本文中，我们提出了第一个设计和实现的隐私模块内置到GPSD守护进程。GPSD守护程序是在启用GPS的设备上运行的低级GPS接口。隐私模块的集成确保了数据所有者对其GPS位置的发布具有粒度控制。我们描述了我们的隐私模块的设计，然后评估私人GPS发布的性能，并证明了强大的隐私保证可以内置到GPSD守护程序本身，以最小的开销或没有开销。
2016-06-30 cs.CR
IoTrace: A Flexible, Efficient, and Privacy-Preserving IoT-enabled Architecture for Contact Tracing
接触者追踪有望通过早期发现可能的传染事件，帮助抗击新冠肺炎的传播。为此，大多数现有的解决方案共享以下架构：智能手机不断广播随机信标，这些信标被附近的设备拦截并存储到其本地联系人日志中。在本文中，我们提出了一种支持物联网的联系人追踪架构，放宽了以智能手机为中心的假设，并提供了一种具有以下功能的解决方案：（i）它将最终用户的开销减少到最低限度--移动终端仅广播其信标;（ii）它为用户提供了竞争解决方案所没有达到的隐私程度-即使在最不利于隐私的情况下，该解决方案也提供了k-匿名;以及（iii）它是灵活的：相同的体系结构可以被配置为支持几种模型--从完全分散的到完全集中的模型--并且可以调整系统参数以支持跟踪几种社会交互模型。我们还强调开放的问题，并讨论了一些未来的研究方向。
2021-01-02 cs.CR cs.NI
Towards Practical Privacy-Preserving Analytics for IoT and Cloud Based Healthcare Systems
现代医疗保健系统现在依赖于先进的计算方法和技术，例如物联网（IoT）设备和云，以前所未有的规模和深度收集和分析个人健康数据。患者、医生、医疗服务提供者和研究人员依赖于从这些数据源导出的分析模型来远程监控患者、早期诊断疾病并找到个性化的治疗和药物。然而，如果没有适当的隐私保护，进行数据分析就会成为隐私噩梦的根源。在这篇文章中，我们提出了在医疗保健信息系统中开发实用的隐私保护分析的研究挑战。该研究基于kHealth --一种正在开发和测试用于疾病监测的个性化数字医疗信息系统。我们分析了相关各方的数据和分析要求，确定了隐私资产，分析了现有的隐私基板，并讨论了隐私，效率和模型质量之间的潜在权衡。
2018-04-11 cs.CR cs.CY
LSB: A Lightweight Scalable BlockChain for IoT Security and Privacy
区块链（BC）由于其不可变的性质以及相关的安全和隐私优势而引起了极大的关注。BC有潜力克服物联网（IoT）的安全和隐私挑战。然而，BC在计算上是昂贵的，具有有限的可扩展性，并且引起不适合IoT上下文的显著带宽开销和延迟。我们提出了一个分层的轻量级可扩展BC（LSB），它针对物联网要求进行了优化。我们将探讨灵巧家庭环境中的LSB，作为更广泛物联网应用的代表性示例。灵巧家庭中的低资源设备受益于集中式管理器，该管理器建立用于通信的共享密钥并处理所有传入和传出请求。LSB通过形成覆盖网络来实现分散化，在覆盖网络中，高资源设备共同管理公共BC，以确保端到端的隐私和安全性。覆盖被组织为不同的集群以减少开销，并且集群头负责管理公共BC。LSB集成了几个优化，包括轻量级共识，分布式信任和吞吐量管理算法。定性的参数表明，LSB是弹性的几种安全攻击。大量的模拟表明，LSB降低了数据包开销和延迟，并增加了BC的可扩展性相比，相关的基线。
2017-12-08 cs.CR
Internet of Cloud: Security and Privacy issues
云和物联网之间的协同作用已经出现，主要是由于云具有直接有利于物联网并使其持续增长的属性。物联网采用云服务带来了新的安全挑战。在本书的这一章中，我们追求两个主要目标：1）分析云计算和物联网的不同组成部分，2）提出这些系统面临的安全和隐私问题。我们深入研究了该领域现有的安全和隐私保护解决方案，着眼于工业物联网，讨论开放问题并提出未来方向
2017-11-01 cs.CR
Decentralized AI-driven IoT Architecture for Privacy-Preserving and Latency-Optimized Healthcare in Pandemic and Critical Care Scenarios
Dakota State University（达科他州立大学）；Michigan Technological University（密歇根理工大学）
本文提出一种融合联邦学习、区块链与边缘计算的去中心化AI物联网架构，以解决疫情和重症监护中医疗数据隐私、延迟与安全问题，实验显示其在交易延迟、能耗和吞吐量上显著优于云方案。
2025-04-29 cs.AI cs.CR
BYOD, Personal Area Networks (PANs) and IOT: Threats to Patients Privacy
FISMA和HIPPA法案的通过强制执行了各种安全控制措施，以确保患者数据的隐私。法律要求医院和保健组织确保以安全的方式存储和传播患者数据。然而，自带设备（BYOD）、移动设备、即时消息（如WhatsApp）和云技术的出现带来了新的挑战。物联网（IOT）的出现使问题进一步复杂化，因为组织没有充分认识到数据隐私威胁的所有方面。医生和卫生保健从业人员需要了解需要保护和控制的各种新的数据存储和传输途径。在本文中，我们将探讨物联网、自带设备（BYOD）和个人局域网（PAN）技术对患者隐私数据构成的各种威胁和挑战。最后，我们提供了一项调查的结果，该调查衡量了医疗保健专业人员对患者隐私的新威胁的理解深度
2019-02-18 cs.CR cs.CY
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
Machine and Deep Learning for IoT Security and Privacy: Applications, Challenges, and Future Directions
Institute of Information and Communication Technology (IICT), Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学信息与通信技术研究所）
物联网（IoT）的集成将许多智能设备连接起来，最大限度地减少了人为干扰，可以相互交互。物联网正在计算机科学领域迅速兴起。然而，部署此类计划所涉及的多学科元素和物联网系统的交叉设计带来了新的安全问题。无效的是安全协议的实施，即，物联网系统的认证、加密、应用程序安全和接入网络以及它们在安全方面的基本弱点。当前的安全方法也可以得到改进，以有效保护物联网环境。近年来，深度学习（DL）/机器学习（ML）在各种关键实现中取得了显著进展。因此，DL/ML方法对于将物联网系统保护从简单地实现物联网系统之间的安全联系转变为安全的智能系统至关重要。本文旨在对ML系统进行广泛的分析，并对DL方法的最新发展进行分析，以改进增强的物联网设备保护方法。另一方面，物联网证券在机器和深度学习方面的各种新见解说明了它如何帮助未来的研究。识别与新兴或基本威胁相关的物联网保护风险，以及未来的物联网设备攻击和与每个表面相关的可能威胁。然后，我们仔细分析了DL和ML物联网保护方法，并介绍了每种方法的优点、可能性和弱点。本次审查讨论了一些潜在的挑战和局限性。还包括DL/ML在物联网安全中的未来工作，建议和建议。
2022-10-24 cs.CR cs.LG cs.NI
PFirewall: Semantics-Aware Customizable Data Flow Control for Smart Home Privacy Protection
物联网（IoT）平台使用户能够部署家庭自动化应用程序。与此同时，随着大量敏感设备数据流流向物联网平台，隐私问题也随之出现。大多数流向平台的数据实际上不会触发自动化操作，而一旦设备绑定到平台，房主目前就无法控制。我们提出了PFirewall，一个可定制的数据流控制系统，以增强物联网平台用户的隐私。PFirewall自动生成数据最小化策略，仅公开最小量的数据以实现自动化。此外，PFirewall还为房主提供接口，通过定义用户指定的策略来定制个人隐私偏好。为了实施这些策略，PFirewall透明地干预和调解IoT设备与平台之间的通信，而无需修改平台、IoT设备或集线器。四个真实测试平台的评估结果表明，PFirewall将发送到平台的物联网数据减少了97%，而不会影响家庭自动化，并有效地减轻了用户活动推断/跟踪攻击和其他隐私风险。
2021-04-07 cs.CR
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Addressing Security and Privacy Challenges in Internet of Things
物联网（IoT），也称为对象互联网，被设想为用于提供众多服务的整体和变革性方法。各种通信协议的快速发展和收发器的小型化以及传感技术的最新进展提供了将隔离设备转变为通信智能设备的机会。智能设备可以感知、存储甚至处理电、热、光、化学和其他信号，以提取与用户/环境相关的信息，这些智能设备已经实现了仅受人类想象力限制的服务。尽管物联网支持的系统前景广阔，但将智能事物集成到标准互联网中会带来一些安全挑战，因为大多数互联网技术、通信协议和传感器都不是为支持物联网而设计的。最近的几项研究表明，对物联网系统发起安全/隐私攻击，特别是基于可穿戴医疗传感器（WMS）的系统，可能会导致灾难性的情况和危及生命的情况。因此，物联网领域的安全威胁和隐私问题需要积极研究和积极解决。在这篇论文中，我们解决了与物联网系统相关的几个特定领域的安全/隐私挑战。
2018-07-18 cs.CR
IoTScanner: Detecting and Classifying Privacy Threats in IoT Neighborhoods
在新兴的物联网（IoT）的背景下，可以预期无线连接的激增。无处不在的无线通信将难以集中管理和控制，并且可以预期对最终用户是不透明的。因此，物理空间的所有者和使用者可能会失去对数字环境的控制。在这项工作中，我们提出了物联网扫描器的想法。IoTScanner集成了一系列无线电，允许对现有无线基础设施和参与节点进行本地侦察。它列举了这些设备，识别连接模式，并为技术支持和家庭用户提供了有价值的见解。使用我们的IoTScanner，我们尝试使用简单的分类法将主动流式IP摄像机与其他非摄像机设备进行分类。我们表明，我们的分类方法在由大量物联网设备组成的物联网环境中实现了高准确性。虽然相关的工作通常集中在检测基础设施，或窃听流量从一个特定的节点，我们专注于提供一个总体概述的操作在所有观察到的网络。我们并不假设事先知道使用的SSID、预共享密码或类似信息。
2017-01-18 cs.CR cs.NI
Network Traffic Shaping for Enhancing Privacy in IoT Systems
针对物联网（IoT）网络流量中数据包大小和时间信息对用户活动的推断攻击所导致的隐私问题，建立了一个严格的无限数据包流事件级差分隐私模型.我们提出了一个无记忆的流量整形机制，满足先来先服务的排队纪律，输出流量依赖于使用DP机制的输入。我们表明，在特殊情况下，所提出的机制恢复现有的整形标准化的输出独立于输入。为了找到最佳的整形器给定的隐私和传输效率的水平，我们制定的约束问题，最大限度地减少每个数据包的预期延迟，并建议使用预期的队列大小作为代理的时间。我们进一步证明了约束极小化是一个凸规划。我们展示了整形器对实际物联网设备的合成数据和数据包跟踪的影响。实验结果揭示了固有的隐私开销权衡：更多的整形开销提供更好的隐私保护。在相同的隐私级别下，虚流量和延迟之间自然存在一个折衷。当处理较重或较不突发的输入流量时，所有整形器都变得更节省开销。我们还表明，来自大量物联网设备的流量增加使得保证事件级隐私变得更加容易。DP整形器提供可调隐私，其不随输入流量分布的变化而变化，并且在处理突发性方面优于流量独立整形器。这种方法很好地适应异构网络条件，使用户能够适应他们的隐私/开销需求。
2021-11-29 cs.CR eess.SP
