DNS Query Forgery: A Client-Side Defense Against Mobile App Traffic Profiling
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
针对加密场景下DNS查询泄露用户行为模式、易被流量画像攻击的问题,提出基于查询伪造的客户端隐私框架,经实验验证可在低开销下有效提升隐私保护效果。
2025-05-14 cs.CR cs.NI
How to build vehicular ad-hoc networks on smartphones
车辆自组织网络在文献中被定义为允许在车辆之间传播信息以帮助减少交通事故和交通事故的通信网络。主要由于经济和技术问题,推迟了这种网络的实际部署。本文介绍了一种新的软件应用程序,用于检测交通事件并交换有关它们的信息,仅使用智能手机,而无需任何中央机构或额外设备。在应用程序设计中考虑了道路安全和通信安全。一方面,该界面旨在避免驾驶时分心,因为它通过语音提示自动独立于驾驶员操作。另一方面,通信安全,这是至关重要的无线网络,是通过保护属性,如真实性,隐私,完整性和不可否认性。所有这些都是在不增加车辆价格的情况下实现的,并且不需要在车辆或道路上集成新设备。唯一的先决条件是每辆车都配备一部配备Wi-Fi连接和GPS定位的智能手机。所提出的应用程序已成功地验证了在大规模的NS-2模拟和小规模的实际测试,以检测交通拥堵和空停车位。
2022-08-12 cs.CR
Side-Channel VoIP Profiling Attack against Customer Service Automated Phone System
本文利用VoIP中VAD静音抑制的侧信道信息,在Cisco CallManager系统上实现了对客服自动电话系统的画像攻击,可准确识别被叫号码及用户后续按键选项。
2023-05-31 cs.CR
Unsupervised Baseline Clustering and Incremental Adaptation for IoT Device Traffic Profiling
The Beacom College of Computer \& Cyber Sciences Dakota State University Madison, SD, USA
提出两阶段无监督流量分析流程,使用DBSCAN进行基线聚类(NMI 0.78),BIRCH实现增量自适应(纯度0.87),揭示静态高纯度与增量灵活性之间的权衡。
2026-02-27 cs.CR cs.LG cs.NI
Intrusion Detection using Network Traffic Profiling and Machine Learning for IoT
物联网设备使用的快速增长为数字社会带来了许多好处,从提高效率到提高生产力。然而,这些设备的有限资源和开放性使它们容易受到各种网络威胁。一个受感染的设备可能会对整个网络产生影响,并导致重大的安全和物理损害。本文探讨了使用网络分析和机器学习来保护物联网免受网络攻击的潜力。所提出的基于异常的入侵检测解决方案可以动态主动地分析和监控所有联网设备,以检测物联网设备篡改尝试以及可疑的网络交易。任何偏离定义的配置文件都被视为攻击,并接受进一步分析。原始流量还被传递到机器学习分类器,以检查和识别潜在的攻击。所提出的方法进行性能评估的网络信任测试平台上使用正常和恶意的网络流量。实验结果表明,所提出的异常检测系统提供了有前途的结果与98.35%和0.98%的假阳性报警的总体准确率。
2021-09-06 cs.AI cs.CR
Analysis of Location Data Leakage in the Internet Traffic of Android-based Mobile Devices
近年来,我们目睹了向针对移动终端用户的个性化的、基于上下文的应用和服务的转变。这些服务中的许多服务的关键组成部分是基于嵌入在设备中的位置传感器来推断用户的当前位置并预测用户的未来位置的能力。这些知识使服务提供商能够向其用户提供相关和及时的报价,并更好地管理流量拥塞控制,从而提高客户满意度和参与度。然而,这些服务遭受位置数据泄漏,这已成为智能手机用户当今最关注的隐私问题之一。在本文中,我们特别关注Android应用程序通过明文形式的互联网网络流量暴露的位置数据(即,没有加密)而没有用户的意识。我们提出了一个实证评估,涉及真实的移动终端用户的网络流量,旨在:(1)测量基于Android的智能手机设备的互联网流量的位置数据泄漏的程度;(2)通过推断用户的兴趣点(POI),了解这些数据的价值。这是通过分析71名参与者的智能手机记录的平均37天的互联网流量来实现的。我们还提出了一个从原始网络流量中挖掘和过滤位置数据的过程,并利用地理位置聚类方法来推断用户的POI。这项研究的主要发现集中在这种现象的普遍性和严重性方面;我们发现,超过85%的用户设备正在泄漏位置数据,并且从相对稀疏的泄漏指标得出的用户POI的暴露率约为61%。
2018-12-12 cs.CR
PORTFILER: Port-Level Network Profiling for Self-Propagating Malware Detection
最近的自传播恶意软件(SPM)活动危害了互联网上数十万台受害机器。在早期阶段检测这些攻击是具有挑战性的,因为对手利用常见的网络服务,使用新技术,并可以逃避现有的检测机制。我们提出PORTFILER(端口级网络流量ProFILER),一个新的机器学习系统应用于网络流量检测SPM攻击。PORTFILER从在受监控网络边界收集的Zeek连接日志中提取端口级特征,应用异常检测技术来识别可疑事件,并对跨端口的警报进行排名,以供安全运营中心(SOC)进行调查。我们提出了一种新的集成方法来聚合PORTFILER中的各个模型,与标准ML基线相比,该方法可以提高对几种规避策略的弹性。我们广泛评估PORTFILER从两个大学网络收集的流量,并表明它可以检测不同模式的SPM攻击,如WannaCry和Mirai,并在规避下表现良好。跨端口的排名精度超过0.94,排名靠前的警报误报率较低。当部署在大学网络上时,PORTFILER在其中一个校园网络上检测到异常的类似SPM的活动,并被大学SOC确认为恶意活动。PORTFILER还检测到在两所大学网络上重新创建的Mirai攻击,其精确度和召回率比基于深度学习的自动编码器方法更高。
2022-05-24 cs.CR
Evaluating the Information Security Awareness of Smartphone Users
信息安全意识(ISA)是一种专注于技能集的实践,可以帮助用户成功抵御社会工程攻击。以前的研究已经提出了各种方法来评估个人电脑和移动用户的ISA。这些方法主要依赖于主观的数据来源,如访谈,调查和问卷,这些数据来源受到人类解释和真诚的影响。此外,以前评估ISA的方法没有解决社会工程攻击类别之间的差异。在本文中,我们提出了一种新的框架,旨在评估ISA的智能手机用户特定的社会工程攻击类。除了问卷调查,该框架利用客观的数据源:移动代理和网络流量监测,这两者都是用来分析用户的实际行为。我们经验性地评估了ISA评分评估的三个数据源(即,问卷调查,移动代理,网络流量监测)进行了长期的用户研究,涉及162个智能手机用户。所有参与者都面临着四种不同的安全挑战,这些挑战类似于现实生活中的社会工程攻击。这些挑战被用来评估拟议框架得出相关ISA评分的能力。我们的实验结果表明:(1)用户的自我报告的行为与他们的实际行为有显着差异;(2)从移动代理或网络流量监测器收集的数据中得出的ISA分数与用户在减轻社会工程攻击方面的成功高度相关。
2019-06-24 cs.CR cs.HC
Every Byte Matters: Traffic Analysis of Bluetooth Wearable Devices
智能手表、健身追踪器和血压监测器等可穿戴设备处理、存储和传达与穿戴者的健康、生活方式、习惯和兴趣相关的敏感和个人信息。这些数据通过蓝牙连接与智能手机上运行的配套应用程序进行交换。在这项工作中,我们调查可以从可穿戴设备和其连接的智能手机之间的加密蓝牙通信的元数据(如数据包的时间和大小)推断出什么。我们表明,被动窃听者可以使用流量分析攻击来准确识别(a)通信设备,即使没有访问MAC地址,(b)人类行为(例如,监测心率,锻炼),(c)仅仅打开Wear OS智能手表上的特定应用(例如,打开医疗应用程序,这可以立即揭示佩戴者的状况),(d)细粒度动作(例如,记录胰岛素注射),其帮助糖尿病用户监测他们的状况,以及(e)通过在延长的时间段内连续监测佩戴者的流量来监测佩戴者的概况和习惯。我们通过收集多个可穿戴设备的蓝牙跟踪数据集,通过基于数据包大小和时间设计功能,并使用机器学习将加密流量分类为穿戴者执行的动作来运行流量分析攻击。然后,我们探讨标准的防御策略,我们表明,这些防御不提供足够的保护,对我们的攻击,并引入显着的成本。我们的研究强调需要重新思考应用程序如何通过蓝牙交换敏感信息,以尽量减少不必要的数据交换,并设计针对可穿戴环境的流量分析的新防御措施。
2021-05-24 cs.CR
A Survey on Analyzing Encrypted Network Traffic of Mobile Devices
多年来,智能手机的使用已经主导了几个领域,改善了我们的生活,为我们提供了便利,并重塑了我们的日常工作环境。除了传统的通信用途外,它们还用于许多外围任务,如游戏,浏览和购物。互联网上的大量流量属于在移动设备上运行的应用程序。应用程序会加密它们的通信,以确保用户数据的隐私和安全。然而,已发现,到移动终端的传入和传出业务的量和性质可揭示可用于识别所执行的活动并对用户进行简档分析的大量信息。为此,研究人员正试图开发技术来分类加密的移动流量在不同的粒度级别,与执行移动用户分析,网络性能优化,$etc.$的目标。本文提出了一个框架,分类的研究工作,分析加密的网络流量相关的移动设备。在此之后,我们提供了一个广泛的审查,最先进的基础上提出的框架。
2020-06-22 cs.CR
A Least Squares Approach to the Static Traffic Analysis of High-Latency Anonymous Communication Systems
Mixes是隐藏传入和传出消息之间关系的中继路由器,是高延迟匿名通信网络的主要构建块。已经提出了许多所谓的披露攻击,以有效地对通过这些渠道发送的流量进行去匿名化。然而,他们的成功对系统参数的依赖性还没有得到很好的理解。我们提出了最小二乘泄露攻击(LSDA),其中用户简档估计通过解决最小二乘问题。我们表明,LSDA不仅适用于阈值混合的分析,但可以很容易地扩展到攻击池混合。此外,与以前的基于几何的攻击相反,我们的方法允许我们解析地推导出表征LSDA相对于系统参数的分析误差的表达式。我们的经验表明,LSDA恢复用户的配置文件具有更高的准确性比它的统计前辈,并验证我们的分析密切预测实际性能。
2019-10-17 cs.CR
PrivacyProxy: Leveraging Crowdsourcing and In Situ Traffic Analysis to Detect and Mitigate Information Leakage
许多智能手机应用程序传输个人身份信息(PII),通常在用户不知情的情况下。为了解决这个问题,我们提出了PrivacyProxy,一个监控出站网络流量并生成应用程序特定签名以表示共享的敏感数据的系统。PrivacyProxy使用基于人群的方法,通过匿名组合来自同一应用程序的不同用户的签名,以自适应和可扩展的方式检测可能的PII。此外,我们不观察用户的网络流量,而是依赖于散列签名。我们提出了PrivacyProxy的设计和实施,并评估它与实验室研究,现场部署,用户调查,并与以前的工作进行比较。我们的现场研究表明,PrivacyProxy可以自动检测PII,F1得分为0.885。PrivacyProxy在500个最受欢迎的应用程序的对照实验中也获得了0.759的F1分数。F1得分也提高到0.866,其中40个应用程序最初具有最多的误报,并添加了额外的训练数据。我们还显示,使用PrivacyProxy的性能开销在8.6%到14.2%之间,略高于使用标准未修改的VPN,大多数用户报告对电池寿命或网络没有明显的影响。
2018-10-26 cs.CR
Android OS Privacy Under the Loupe -- A Tale from the East
中国目前是Android智能手机用户最多的国家。我们使用静态和动态代码分析技术相结合的方法来研究中国最受欢迎的三家供应商的Android智能手机上预装的系统应用程序传输的数据。我们发现,数量惊人的预装系统、供应商和第三方应用程序被授予了危险的权限。通过流量分析,我们发现这些包向许多第三方域传输与用户设备(永久标识符),地理位置(GPS坐标,网络相关标识符),用户配置文件(电话号码,应用程序使用情况)和社交关系(例如,呼叫历史),而无需同意或甚至通知。这带来了严重的去匿名化和跟踪风险,当用户离开中国时,这些风险会延伸到中国境外,并要求更严格地执行最近通过的数据隐私立法。
2023-02-03 cs.CR
The Dark Side(-Channel) of Mobile Devices: A Survey on Network Traffic Analysis
近年来,移动设备(例如,智能手机和平板电脑)已经取得了越来越大的商业成功,并且已经成为全世界数十亿人日常生活的基本元素。移动设备不仅用于传统的通信活动(例如,语音呼叫和消息),而且还用于由大量的多用途应用程序使得可能的更高级的任务(例如,金融、游戏和购物)。因此,这些设备会产生大量网络流量(整体互联网流量的一致部分)。出于这个原因,研究界一直在研究与移动设备生成的网络流量相关的安全和隐私问题,这些问题可以通过分析来获得对各种目标有用的信息(从设备安全和网络优化到细粒度用户分析)。在本文中,我们回顾的作品,有助于国家的最先进的网络流量分析针对移动设备。特别是,我们提出了一个系统的分类的作品在文献中根据三个标准:(一)分析的目标;(二)网络流量被捕获的点;(三)有针对性的移动平台。在本调查中,我们考虑了捕获点,如Wi-Fi接入点,软件模拟和真实移动设备或模拟器内部。对于调查的作品,我们审查和比较分析技术,验证方法,并取得的成果。我们还讨论了移动流量分析和其他新兴领域(例如,物联网)。我们相信,我们的调查将是一个参考工作的研究人员和从业人员在这一研究领域。
2018-06-18 cs.CR
Can't you hear me knocking: Identification of user actions on Android apps via traffic analysis
随着智能手机的使用变得越来越普遍,人们也开始询问这种设备在多大程度上可以被恶意利用为“跟踪设备”。所关注的不仅是对手对设备进行物理或远程控制(例如,通过恶意应用程序),而且还与被动对手(没有上述能力)可以从设备通信中观察到的内容有关。后一个方向的工作旨在推断用户在其设备上安装的应用程序,或识别网络中特定用户的存在。在本文中,我们向前迈进了一步:我们调查在何种程度上是可行的,以确定用户在他的移动终端上做的具体行动,通过简单地窃听设备的网络流量。特别是,我们的目标是识别诸如在社交网络上浏览某人的个人资料,在朋友的墙上发布消息或发送电子邮件等行为。我们设计了一个系统,从加密的TCP/IP数据包开始实现这一目标:它通过识别网络流和应用机器学习技术来工作。我们做了一个完整的实现这个系统,并运行了一套完整的实验,这表明,它可以实现的准确性和精度高于95%,对于大多数考虑的行动。
2014-07-29 cs.CR
GOLIATH: A Decentralized Framework for Data Collection in Intelligent Transportation Systems
针对智能交通系统中心化数据收集方案的单点故障与信任问题,提出基于区块链的去中心化框架GOLIATH,通过新型共识机制保障可信数据交换,经模拟验证具备鲁棒性与安全性。
2025-06-12 cs.CR
An LLM-Powered AI Agent Framework for Holistic IoT Traffic Interpretation
University of Notre Dame(内布拉斯加大学达灵顿分校)
该文提出一个基于大语言模型的AI智能体框架,通过跨层特征提取、异常检测与混合检索增强问答,实现物联网流量的整体解读,并在多个数据集上显著提升生成质量且开销低。
2025-10-15 cs.CL cs.CR cs.NI
Clicktok: Click Fraud Detection using Traffic Analysis
广告是数百万网站和智能手机应用程序(发布商)创收的主要手段。当然,一小部分出版商滥用广告网络系统地骗取广告商的钱。防御措施已经成熟,可以克服某些形式的点击欺诈,但不足以抵御有机点击欺诈攻击的威胁。包括蜜罐在内的恶意软件检测系统无法阻止点击欺诈应用程序;广告网络过滤器更好,但测量研究报告称,广告网络提供的点击中有三分之一是虚假的;广告网络和应用商店之间的合作,将恶意应用程序列入坏名单,效果更好,但未能阻止犯罪分子编写欺诈应用程序,直到他们被禁止并重新开始。这项工作开发了新的推理技术,可以隔离点击欺诈攻击使用其基本属性。在{ \em模仿防御}中,我们利用了自然点击欺诈涉及合法点击的重复使用这一观察结果。因此,我们可以通过检测广告网络点击流中的点击重复使用模式来隔离虚假点击,并将历史行为作为基线。第二,{ \em诱饵点击防御}。我们利用广告网络的优势,将诱饵点击模式注入用户的设备,以触发点击欺诈应用程序,这些应用程序根据用户行为进行门控。我们的实验表明,模仿防御检测到约81%的虚假点击在隐形(低利率)的攻击,假阳性率为110110每十万次点击。诱饵点击防御能够进一步提高95%的检测率,并将假阳性率降低到每百万次点击0到30次之间,这是对当前方法的重大改进。
2019-03-26 cs.CR
Statistical Feature-based Personal Information Detection in Mobile Network Traffic
School of Computer, National University of Defense Technology(国防科技大学计算机学院)
随着智能手机的普及,移动应用(app)已经渗透到人们的日常生活中。虽然应用程序提供了丰富的功能,但它们也同时访问大量的个人信息。因此,隐私问题引起了关注。为了了解应用程序收集了哪些个人信息,提出了许多解决方案来检测应用程序中的隐私泄露。近年来,基于流量监测的隐私泄漏检测方法表现出良好的性能和较强的可扩展性。但是,它仍然有一些缺点。首先,它遭受检测个人信息的泄漏与混淆。其次,它不能发现未定义类型的隐私泄漏。针对上述问题,提出了一种基于流量监测的个人信息检测方法。本文设计了个人信息的统计特征来刻画个人信息在流量中的出现模式,包括局部模式和全局模式。然后基于机器学习算法训练检测器,以发现具有相似模式的潜在个人信息。由于统计特征与个人信息的值和类型无关,因此经过训练的检测器能够识别各种类型的隐私泄漏和混淆的隐私泄漏。据我们所知,这是第一个基于统计特征检测个人信息的工作。实验结果表明,该方法能够取得比现有方法更好的性能。
2021-12-23 cs.CR cs.LG
Topology-aware Detection and Localization of Distributed Denial-of-Service Attacks in Network-on-Chips
针对片上网络中分布式拒绝服务攻击难以检测的问题,提出基于图神经网络的拓扑感知检测定位框架,直接处理原始微片间延迟数据,准确率最高达99%,且在多种场景下具备强鲁棒性。
2025-05-20 cs.CR
Understanding the Effects of Real-World Behavior in Statistical Disclosure Attacks
高延迟匿名通信系统防止被动窃听者推断通信伙伴的确定性。然而,泄露攻击允许对手在通信持续时恢复用户的行为配置文件。了解系统参数如何影响用户的隐私免受此类攻击至关重要。该领域的早期工作分析了受控场景中的泄露攻击的性能,其中假设了有关用户行为的特定模型。在本文中,我们分析了最有效的披露攻击之一,最小二乘披露攻击,在现实的情况下,剖析精度。我们从不同性质的数据集生成真实的流量观测结果,发现在以前的工作中考虑的模型不适合这种现实的行为。我们放松了以前对用户行为的假设,并扩展了以前的性能分析,用真实数据验证了我们的结果,并对影响现实世界中用户保护的参数提供了新的见解。
2019-10-22 cs.CR
Signature Generation for Sensitive Information Leakage in Android Applications
近年来,诸如智能手机的移动设备快速增长,并且专门针对智能手机市场开发了许多应用。特别是,有许多应用程序对用户是“免费”的,但它们的收入依赖于广告服务。这些应用程序包括一个广告模块--广告服务提供的库--它可以收集用户的敏感信息并通过网络传输。用户接受这种业务模型,但在大多数情况下,应用程序不需要用户的确认就可以传输敏感信息。因此,这种应用程序的行为成为侵犯隐私。在我们对1,188个Android应用程序的网络流量和权限的分析中,我们分析的应用程序中有93%在使用网络时连接到多个目的地。61%的受访者需要权限组合,包括访问敏感信息和使用网络服务。这些应用程序有可能泄漏用户的敏感信息。为了使用户能够控制他们的私人信息的传输,我们提出了一个系统,使用一种新的聚类方法的基础上的HTTP数据包的目的地和内容的距离,生成的聚类结果的签名,并使用它们来检测敏感信息泄漏Android应用程序。我们的系统不需要修改Android框架或任何特殊权限。因此,用户可以很容易地将我们的系统引入他们的设备,并以细粒度的方式管理可疑应用程序的网络行为。我们的系统准确地检测到94%的敏感信息泄漏的应用程序评估,并产生只有5%的假阴性结果,假阳性结果不到3%。
2013-05-17 cs.CR
Big Help or Big Brother? Auditing Tracking, Profiling, and Personalization in Generative AI Assistants
UC Davis(加州大学戴维斯分校);UNIRC(意大利国家研究委员会);UCL(伦敦大学学院);UC3M(马德里卡洛斯三世大学)
本文审计十款主流 GenAI 浏览器扩展,结合流量分析与提示框架,揭示其自动收集并共享网页、表单及敏感信息、跨场景画像并个性化响应的隐私风险。
2025-06-10 cs.AI cs.CL cs.CR
PingPong: Packet-Level Signatures for Smart Home Device Events
University of California, Irvine(加州大学欧文分校)
灵巧家庭设备容易受到基于网络流量的被动推断攻击,即使存在加密。在本文中,我们介绍了PINGPONG,一个可以自动提取设备事件(例如,灯泡打开/关闭)。我们在流行的灵巧家庭设备上对PINGPONG进行了评估,这些设备包括智能插头和恒温器、摄像头、语音激活设备和智能电视。我们能够:(1)自动提取由分组长度和方向的简单序列组成的先前未知的签名;(2)使用这些签名来检测设备或特定事件,平均召回率超过97%;(3)表明签名在现实世界网络流量的数亿个分组中是唯一的;(4)表明我们的方法也适用于公开可用的数据集;以及(5)证明其在不同设置中的鲁棒性:由本地和远程智能电话以及由家庭自动化系统触发的事件。
2020-02-10 cs.CR cs.DS cs.LG
IoT Device Identification Using Deep Learning
Ben-Gurion University(本·古里安大学)
物联网设备在组织中的使用越来越多,由于设备的安全性较低,攻击者可用的攻击向量数量增加。广泛采用的自带设备(BYOD)策略允许员工将任何物联网设备带入工作场所并将其连接到组织的网络,这也增加了攻击的风险。为了解决这一威胁,组织通常实施安全策略,其中只允许连接白名单上的物联网设备。为了监控这些策略的遵守情况并保护其网络,组织必须能够识别连接到其网络的物联网设备,更具体地说,识别未在白名单上的连接物联网设备(未知设备)。在这项研究中,我们将深度学习应用于网络流量,以自动识别连接到网络的物联网设备。与以前的工作相比,我们的方法不需要在网络流量上应用复杂的特征工程,因为我们使用从物联网设备网络流量有效载荷构建的小图像来表示物联网设备的通信行为。在我们的实验中,我们在公开的数据集上训练了一个多类分类器,成功识别了10个不同的物联网设备以及智能手机和计算机的流量,准确率超过99%。我们还训练了多类分类器来检测连接到网络的未经授权的物联网设备,总体平均检测准确率超过99%。
2020-02-25 cs.CR cs.LG cs.NI
A Survey on DNS Encryption: Current Development, Malware Misuse, and Inference Techniques
本文综述了2016年以来DNS加密技术(DoT、DoH、DoQ)的发展与采用现状,系统分析了恶意软件如何滥用加密DNS进行僵尸网络通信和数据外泄,并总结了从加密DNS流量中推断正常模式与检测恶意流量的现有方法,为未来提升DNS加密性能与安全性指明研究方向。
2022-07-08 cs.CR cs.NI