Mobile Device Identification via Sensor Fingerprinting
我们演示了如何在智能手机上的众多传感器可以用来构建一个可靠的手机硬件指纹。这样的指纹可以用于在移动设备连接到网站时对移动设备进行去匿名化,并且作为向远程服务器识别合法用户的第二个因素。我们提出两种实现:一种基于分析扬声器电话-麦克风系统的频率响应,另一种基于分析设备特定的加速度计校准误差。我们的基于加速度计的指纹特别有趣,因为加速度计可以通过在移动Web浏览器中运行的JavaScript访问,而无需请求任何权限或通知用户。我们展示了迄今为止最广泛的传感器指纹识别实验的结果,该实验测量了来自10,000多台移动设备的传感器特性。我们表明,传感器指纹的熵足以在数千个设备中唯一识别一个设备,碰撞的概率很低。
2014-08-06 cs.CR
IoTSense: Behavioral Fingerprinting of IoT Devices
物联网(IoT)带来了新的挑战,设备识别-设备是什么,以及身份验证-设备是否是它声称的设备。传统上,认证问题是通过加密协议来解决的。然而,密码协议的计算复杂性和/或与密钥管理相关的可扩展性问题使得几乎所有基于密码的认证协议对于IoT来说都是不切实际的。另一方面,设备识别的问题被可悲地忽视了。我们相信,设备指纹识别可以有效地解决这两个问题。在这项工作中,我们提出了一种方法来执行设备的行为指纹,可以用来进行设备类型识别。使用从设备的网络流量提取的特征来近似设备行为。这些特征用于训练可用于检测类似设备类型的机器学习模型。我们使用五重交叉验证来验证我们的方法;在我们所有的实验中,我们报告了86 - 99%的识别率和99%的平均准确度。即使设备使用加密通信,我们的方法也是成功的。此外,我们显示了指纹识别设备类别的初步结果,即,识别具有类似功能的不同设备类型。
2018-04-11 cs.CR
FPHammer: A Device Identification Framework based on DRAM Fingerprinting
FPHammer利用DRAM行锤击技术生成高稳定性物理指纹,实现长期设备跟踪,即使修改软件参数或重装系统也能准确识别设备。
2023-10-11 cs.CR
A Comprehensive Survey on Smart Home IoT Fingerprinting: From Detection to Prevention and Practical Deployment
Dalhousie University(达尔豪斯大学);Northeastern University(东北大学)
本文综述了智能家居IoT指纹识别技术,分析了设备与事件检测、分类及入侵预防方法,探讨了部署挑战与生成式AI、联邦学习等机遇,并指出了下一代隐私保护的研究方向。
2025-10-09 cs.CR
Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
本文大规模分析了移动应用中由第三方SDK引发的设备指纹行为,发现指纹行为广泛存在于非广告类SDK中,且信号与API分布稀疏,表明仅针对特定市场或依赖用户权限难以有效遏制指纹追踪。
2025-06-27 cs.CR
Time Constant: Actuator Fingerprinting using Transient Response of Device and Process in ICS
针对信息物理系统中的命令注入和重放攻击,提出名为 Time Constant 的执行器指纹技术,通过捕获设备与物理过程的瞬态动态特性构建防复制指纹,在真实水处理测试台和运行工厂中验证了其能有效区分过程状态与执行器并实现实时攻击检测。
2024-09-25 cs.CR
Copyright Protection for Large Language Models: A Survey of Methods, Challenges, and Trends
Zhejiang University(浙江大学);Binjiang Institute of Zhejiang University(浙江大学滨江研究院)
本文综述了大型语言模型版权保护现状,重点探讨了模型指纹技术,涵盖文本水印与模型水印的关联、多种文本水印技术对比、模型指纹分类、指纹转移与去除技术及评估指标,揭示了开放挑战与未来研究方向。
2026-04-07 cs.CR
Preventing Radio Fingerprinting through Low-Power Jamming
本文针对射频指纹识别带来的隐私威胁,提出利用低功率干扰器清除发射信号中的指纹特征,实验证明该方法能在不影响无线链路质量的前提下有效阻止恶意窃听者识别设备,恢复用户隐私。
2025-04-02 cs.CR
DRAWNAPART: A Device Identification Technique based on Remote GPU Fingerprinting
浏览器指纹旨在通过在用户浏览器中执行的脚本来识别用户或其设备,并收集有关软件或硬件特征的信息。它用于跟踪用户或作为一种额外的身份识别手段,以提高安全性。在本文中,我们报告了一种新的技术,可以显着延长基于指纹的跟踪方法的跟踪时间。我们的技术,我们称之为DrawnApart,是一种新的GPU指纹识别技术,它根据GPU堆栈的独特属性来识别设备。具体来说,我们表明,在速度的变化之间的多个执行单元,包括GPU可以作为一个可靠的和强大的设备签名,可以使用非特权JavaScript收集。我们调查的准确性DrawnApart在两种情况下。在第一种情况下,我们的对照实验证实,该技术在区分具有相似硬件和软件配置的设备方面是有效的,即使它们被当前最先进的指纹识别算法认为是相同的。在第二种情况下,我们将我们的技术的一次性学习版本集成到最先进的浏览器指纹跟踪算法中。我们通过一项大规模实验验证了我们的技术,该实验涉及在几个月内从2,500多个众包设备收集的数据,并显示与最先进的方法相比,它将中值跟踪时间提高了67%。DrawnApart对浏览器指纹识别技术的发展做出了两个贡献。在概念方面,它是第一个探索相同GPU之间制造差异的工作,也是第一个在隐私环境中利用这些差异的工作。在实践方面,它展示了一种强大的技术,用于区分具有相同硬件和软件配置的机器。
2022-01-24 cs.CR
Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT Security: Sensitivity to Network Deployment Changes
Oregon State University(俄勒冈州立大学)
基于深度学习的设备指纹识别最近被认为是自动网络访问身份验证的关键推动因素。由于复制物理特征的固有困难,它对模仿攻击的鲁棒性是它与传统加密解决方案的区别。尽管设备指纹识别已经显示出有前途的性能,但其对网络操作环境变化的敏感性仍然构成了主要限制。本文提出了一个实验框架,旨在研究和克服支持LoRa的设备指纹识别对此类变化的敏感性。我们首先描述我们使用支持LoRa的无线设备测试平台收集的RF数据集。然后,我们提出了一种新的指纹技术,利用带外失真信息所造成的硬件损伤,以增加指纹识别的准确性。最后,我们实验研究和分析了LoRa射频指纹识别对各种网络设置变化的敏感性。我们的研究结果表明,当学习模型在相同的设置下进行训练和测试时,指纹识别的效果相对较好。然而,当在不同设置下训练和测试时,这些模型对信道条件变化表现出中等敏感性,并且当IQ数据用作输入时,对协议配置和接收器硬件变化表现出严重敏感性。然而,使用FFT数据作为输入,它们在任何变化下都表现不佳。
2022-08-31 cs.CR cs.LG
Towards Scalable EM-based Anomaly Detection For Embedded Devices Through Synthetic Fingerprinting
嵌入式设备在现代网络中无处不在,包括在关键环境中运行的设备。然而,由于它们的约束性质,需要新的机制来提供外部的、非侵入性的异常检测。在这些方法中,一种已经获得牵引力的方法是基于对设备操作期间发出的电磁(EM)信号的分析。然而,这种方法最被忽视的挑战之一是需要手动收集和指纹识别对应于软件/固件的每个执行路径的信号。事实上,即使是简单的程序也由数百个分支组成,这使得指纹识别阶段成为一个非常耗时的过程,涉及人类专家的手工劳动。为了解决这个问题,我们提出了一个直接从机器码生成合成EM信号的框架。合成信号可用于训练基于机器学习(ML)的系统以用于异常检测。所提出的方法的主要优点是,它完全消除了需要一个精心设计的和容易出错的指纹识别阶段,从而大大增加了相应的保护机制的可扩展性。实验评估表明,我们的方法提供了较高的检测精度(90%以上的AUC分数)时,用于检测注射攻击。此外,所提出的方法造成只有一个小的惩罚(-1.3%)的准确性检测注入少至四个恶意指令相比,如果使用真实的信号相同的方法。
2023-02-05 cs.CR
HEEDFUL: Leveraging Sequential Transfer Learning for Robust WiFi Device Fingerprinting Amid Hardware Warm-Up Effects
Oregon State University(俄勒冈州立大学)
HEEDFUL通过序列迁移学习和目标干扰估计,在硬件升温期间实现高准确率的WiFi设备指纹识别,提升了鲁棒性与实用性。
2026-01-30 cs.CR
A Comprehensive Survey of Website Fingerprinting Attacks and Defenses in Tor: Advances and Open Challenges
University of South Florida(南佛罗里达大学)
本文综述了Tor网络中网站指纹攻击与防御的最新进展,系统分类了现有研究,探讨了多标签浏览等新兴挑战,为提升隐私保护提供基础。
2026-10-12 cs.CR
CONTEX-T: Contextual Exploitation of Encrypted Traffic for Device Fingerprinting via Transformer Time-Frequency Analysis
Queen’s University(女王大学)
本文提出CONTEX-T框架,利用加密流量元数据中的设备级信息,通过时频分析和视觉变换器实现高精度设备分类,揭示了加密流量中持久的时频特征,为物联网安全提供了新的研究方向。
2026-04-15 cs.CR
A methodology to identify identical single-board computers based on hardware behavior fingerprinting
单板的【形】设备的连接性和资源受限性为影响物联网(IoT)场景的网络安全问题打开了大门。最重要的问题之一是存在未经授权的物联网设备,这些设备希望通过使用相同的硬件和软件规格来冒充合法设备。在物联网场景中,这种情况可能会引发敏感信息泄漏、数据投毒或权限升级。结合行为指纹识别和机器/深度学习(ML/DL)技术是一种很有前途的方法,可以通过检测制造缺陷产生的微小性能差异来识别这些恶意欺骗设备。然而,现有的解决方案不适合单板的【形】设备,因为它们没有考虑其硬件和软件限制,低估了指纹稳定性或上下文变化等关键方面,并且没有探索ML/DL技术的潜力。为了改进它,本文首先确定了单板的【形】设备识别的基本属性:唯一性、稳定性、多样性、可扩展性、效率、鲁棒性和安全性。然后,一种新的方法依赖于行为指纹识别来识别相同的单板的【形】器件,并满足上述属性。该方法利用系统的不同内置组件和ML/DL技术,相互比较器件内部行为以检测制造差异。该方法验证是在由15个相同的Raspberry Pi 4 B和10个Raspberry Pi 3 B+设备组成的真实环境中进行的,获得了91.9%的平均TPR,并通过在评估过程中设置50%的阈值来识别所有设备。最后,讨论比较了所提出的解决方案与相关的工作,突出了指纹属性没有满足,并提供了重要的经验教训和局限性。
2022-06-22 cs.CR
On the Impact of the Hardware Warm-Up Time on Deep Learning-Based RF Fingerprinting
本文研究硬件预热对深度学习射频指纹识别的影响,通过仿真与测试台揭示预热期I/Q信号导致跨稳定状态准确率降至37%以下,并发布含稳定与不稳定样本的多日WiFi数据集。
2024-12-21 cs.CR
Browser Fingerprinting: A survey
通过本文,我们调查了在浏览器指纹识别领域进行的研究,同时为该领域的新人提供了一个可访问的入口点。我们解释了这种技术是如何工作的,以及它源于何处。我们详细分析了相关工作,以了解现代指纹的组成,并了解这项技术目前是如何在网上使用的。我们将现有的防御解决方案系统化为不同的类别,并详细说明当前尚未克服的挑战。
2019-11-04 cs.CR cs.CY cs.SE
Actions speak louder than words: Semi-supervised learning for browser fingerprinting detection
随着在线跟踪的持续增长,必须增强需要大量手动输入的现有反跟踪和指纹检测技术。启发式指纹检测方法是精确的,但必须仔细策划。提出用于检测跟踪的监督机器学习技术需要手动生成的标签集。为了克服这些挑战,我们提出了一种半监督机器学习方法来检测指纹脚本。我们的方法是基于这样一个核心认识,即指纹脚本在生成指纹时具有相似的API访问模式,即使它们的访问模式可能不完全匹配。利用这一洞察力,我们组脚本的JavaScript(JS)的执行痕迹,并应用半监督的方法来检测新的指纹脚本。我们详细介绍了我们的方法,并证明了它的能力,以确定现有的启发式技术的脚本($\geqslant$ 94.9%)的大部分。我们还表明,该方法扩展到检测已知的脚本表面的候选脚本,可能包括指纹。通过对这些候选脚本的分析,我们发现了指纹识别脚本,这些脚本被错误识别遗漏了,并且没有错误识别。特别是,我们在数百个域中发现了超过100个设备类指纹脚本。据我们所知,这是第一次在野外测量设备级指纹。这些成功说明了稀疏向量表示和半监督学习的力量,以补充和扩展现有的跟踪检测技术。
2020-03-09 cs.CR
Open Set RF Fingerprinting Identification: A Joint Prediction and Siamese Comparison Framework
针对开放环境中闭集射频指纹识别难以检测未知未授权设备且易受特征干扰的问题,提出联合射频指纹预测与孪生比较(JRFFP-SC)框架,通过预测网络分类与孪生网络特征比较消除类间干扰,实现优异的非法设备检测与泛化能力。
2025-01-26 cs.CR
Position paper: A systematic framework for categorising IoT device fingerprinting mechanisms
物联网(IoT)设备的普及使得能够对它们进行指纹识别变得越来越重要,例如为了检测网络中是否存在行为不端甚至恶意的IoT设备。本文的目的是提供可用于指纹识别物联网设备的机器学习增强技术的系统分类。这可以作为比较各种物联网指纹识别机制的基准,以便网络管理员可以选择一种或多种适合监控和维护其网络的机制。我们对现有的关于指纹物联网设备的论文进行了广泛的文献综述-密切关注那些具有机器学习功能的论文。随后是在这些文件中概述的机制之间的重要和可比较的功能提取。因此,我们提出了一组关键术语,这些术语在指纹识别背景和物联网领域都是相关的。这使我们能够构建一个名为IDWork的框架,该框架可用于对现有的物联网指纹识别机制进行分类,以促进对这些机制进行连贯和公平的比较。我们发现,大多数物联网指纹识别机制都采用被动的方法-主要是通过网络嗅探-而不是侵入性的,并与感兴趣的设备进行交互。此外,大量的调查机制采用静态和动态的方法,以受益于互补的功能,可以更强大的某些攻击,如欺骗和重放攻击。
2020-10-19 cs.CR cs.NI
Physical Layer-Based Device Fingerprinting for Wireless Security: From Theory to Practice
本文综述面向无线安全的物理层设备指纹识别,重点梳理基于硬件损伤与信道特征的被动认证技术、算法、场景及挑战。
2025-06-11 cs.CR eess.SP
adF: A Novel System for Measuring Web Fingerprinting through Ads
Universidad Carlos III of Madrid(马德里卡洛斯三世大学);Taptap Digital
adF通过广告测量网络指纹的脆弱性,提出ShieldF作为反指纹解决方案,提升设备抵抗力62%
2025-12-10 cs.CR cs.CY
An empirical study of passive 802.11 Device Fingerprinting
802.11设备指纹识别是通过其无线流量来表征目标设备的动作。这将产生可用于身份识别、网络监控或入侵检测的签名。指纹识别方法可以通过向目标设备发送业务而主动,或者通过仅观察由目标设备发送的业务而被动。许多被动指纹识别方法依赖于对一个特定网络特征的观察,例如速率切换行为或探测请求的传输模式。在这项工作中,我们评估了一组全球无线网络参数方面的能力,以确定802.11设备。我们将自己限制在可以使用标准无线卡被动观察的参数上。我们针对两个不同的测试来评估这些参数:i)识别测试,其返回一个与目标设备最接近的匹配结果;以及ii)相似性测试,其返回一组与目标设备接近的设备。我们发现,网络参数传输时间和帧到达间隔时间相比,考虑其他网络参数的表现最好。最后,我们专注于到达间隔时间,最有前途的参数设备识别,并显示其依赖于几个设备的特性,如无线卡和驱动程序,但也运行应用程序。
2014-04-25 cs.CR cs.NI
Hardware-Rooted PUF Fingerprinting for Device-Level Traceability in Knowledge Distillation
Lehigh University(利哈伊大学);Broadcom Inc.(博通公司)
本文提出一种基于PUF的指纹框架,在知识蒸馏中将设备签名叠加到教师logits上,使学生模型继承硬件身份,实现抗篡改的设备级可追溯性。
2026-09-29 cs.CR
MagneticSpy: Exploiting Magnetometer in Mobile Devices for Website and Application Fingerprinting
最近的研究表明,智能手机上的总CPU使用率和功耗跟踪可能会泄露有关系统或访问的网站上运行的应用程序的信息。作为回应,从Android 8开始,移动应用程序对此类数据的访问已被阻止。在这项工作中,我们探索了这类攻击的侧信道泄漏的新来源。我们的方法是基于这样一个事实,即移动处理器引起的电磁活动会导致移动设备上的磁传感器测量出现明显的干扰,其幅度与CPU工作负载成正比。因此,可以分析记录的传感器数据,以揭示有关正在进行的活动的信息。该攻击适用于许多设备:我们评估了80种现代智能手机和平板电脑,并观察了磁力计对其中56种CPU活动的反应。在选定的设备上,我们能够成功识别哪个应用程序已打开(准确率高达90%)或哪个网页已加载(准确率高达91%)。所呈现的侧通道对最终用户的隐私构成了重大风险,因为传感器数据可以在没有用户许可的情况下从本机应用程序甚至网页中记录。最后,我们讨论了可能的对策,以防止所提出的信息泄漏。
2019-09-07 cs.CR
Improving WiFi CSI Fingerprinting with IQ Samples
针对商用WiFi CSI指纹识别粒度粗、信息丢失的问题,提出CSI2Q系统,通过将CSI转换为与IQ同特征空间的时域信号并结合辅助训练迁移IQ模型优势,实现了接近IQ方法的识别准确率。
2024-08-13 cs.CR
Transfer Learning for Device Fingerprinting with Application to Cognitive Radio Networks
主用户仿真攻击是认知无线电网络中一种新的威胁,恶意用户通过模仿主用户信号来限制次用户的接入。确定设备的身份是必须克服的一项关键技术挑战,以挫败PUE攻击的威胁。通常,PUE攻击的检测是通过检查来自系统中所有设备的信号来完成的,然后使用这些信号为每个设备形成唯一的指纹。当前的检测和指纹识别方法需要某些条件来保持,以便有效地检测攻击者。这些条件包括需要足够量的用户指纹数据或在同一时间帧内存在攻击者和受害者PU。这些条件是必要的,因为目前的方法缺乏学习SU和PU随时间的行为的能力。本文提出了一种新的迁移学习(TL)方法,该方法将过去时间帧中关于PU和SU的抽象知识迁移到未来时间帧中以改进检测过程。所提出的方法提取一个高层次的表示环境在每个时间帧。这些高层次的信息被积累起来,形成一个抽象的知识数据库。CR系统然后利用该数据库来准确地检测PUE攻击,即使在当前时间帧处可用的指纹数据量不足。所提出的方法的动态结构使用最终的检测决策来更新抽象知识数据库,以备将来运行。仿真结果表明,当过去知识与当前环境信号之间只有10%的相关信息时,该方法可以平均提高3.5%的性能。
2015-08-26 cs.CR
Adversarial-Resilient RF Fingerprinting: A CNN-GAN Framework for Rogue Transmitter Detection
Embry-Riddle Aeronautical University(艾姆伯-瑞德航空大学)
本研究提出一种基于CNN的框架,利用softmax概率阈值检测流氓设备并识别真实设备,并在GAN模拟的对抗攻击场景下,通过10个ADALM-PLUTO SDR的IQ样本验证了其有效性。
2025-10-07 cs.AI cs.CR
Warwick Image Forensics Dataset for Device Fingerprinting In Multimedia Forensics
University of Warwick(华威大学);Deakin University(迪肯大学);Hangzhou Dianzi University(杭州电子科技大学)
像传感器模式噪声(SPN)这样的设备指纹被广泛用于来源分析和图像认证。在过去的几年里,数字摄影的快速发展极大地重塑了消费级移动设备上的图像捕获过程的管道。相机参数设置的灵活性和多帧摄影算法的出现,特别是高动态范围(HDR)成像,给设备指纹识别带来了新的挑战。对这些主题的后续研究需要一个新的有目的地构建的图像数据集。在本文中,我们提出了沃里克图像取证数据集,超过58,600张图像的图像数据集使用14个数码相机拍摄的各种曝光设置。对曝光设置的特别注意允许图像被不同的多帧计算摄影算法采用,并用于随后的设备指纹识别。该数据集作为开源发布,免费供数字取证社区使用。
2020-05-07 cs.CR cs.CV cs.MM
OS Fingerprinting: New Techniques and a Study of Information Gain and Obfuscation
被动的操作系统指纹技术为异构专用网络的防御者提供了有价值的信息;同时,攻击者可以利用指纹技术对网络进行侦察,因此防御者需要混淆技术来挫败攻击者。我们提出了一种有效的被动指纹识别方法,该方法使用TLS以及多会话模型中的TCP/IP和HTTP协议的数据特征,只要在一个时间窗口内可以观察到多个会话,该方法就适用。在一个真实世界的专用网络上的实验中,我们的方法确定操作系统主要和次要版本的准确率分别为99.4%和97.5%,并提供了显着的信息增益。我们还表明,混淆策略往往可以击败由于难以操纵的数据功能,从所有的协议,特别是TLS,通过研究混淆如何影响我们的指纹识别系统。由于在专用网络上运行未打补丁的操作系统的设备会产生重大漏洞,因此对其进行检测至关重要;我们的方法在这一重要目标上实现了超过98%的准确率。
2017-06-24 cs.CR
Exploring Ways To Mitigate Sensor-Based Smartphone Fingerprinting
现代智能手机包含运动传感器,例如加速度计和陀螺仪。这些传感器有许多有用的应用;然而,它们也可以通过测量信号中的异常来唯一地识别手机,这些异常是由制造缺陷造成的。这种测量可以在浏览器中秘密进行,并可用于跟踪跨应用程序,网站和访问的用户。我们分析了通过校准传感器以消除信号异常或通过添加混淆异常的噪声来减轻此类设备指纹识别的技术。为此,我们首先开发了一种高度精确的指纹识别机制,该机制结合了多个运动传感器,并利用(听不见的)音频刺激来提高检测。然后,我们从大量智能手机中收集测量结果,并评估校准和混淆技术对分类器准确性的影响。
2015-03-06 cs.CR
Acoustic Fingerprinting Revisited: Generate Stable Device ID Stealthy with Inaudible Sound
移动终端的普及给人们的生活带来了便利,但同时也给人们的隐私带来了威胁。随着最终用户越来越关注其私人信息的保护,使用传统技术跟踪特定用户变得更加困难。例如,用户可能会定期清除Cookie。苹果已经停止了应用程序访问UDID,Android手机使用一些特殊权限来保护IMEI代码。为了应对这一挑战,最近的一些研究致力于使用不完善的制造过程导致的硬件特征来跟踪智能手机。这些工作表明,不同的设备可以相互区分。然而,它仍然有很长的路要走,以取代cookie,并部署在现实世界中的场景,特别是在属性,如唯一性,鲁棒性,在本文中,我们提出了一种新的方法来生成稳定和唯一的设备ID隐身智能手机通过利用扬声器的频率响应。通过精心选择的音频和特殊的声波模式,我们可以减少非线性效果和噪声的影响,并保持我们的特征提取过程不被用户注意到。提取的特征不仅对于给定的智能手机扬声器非常稳定,而且对于该手机是唯一的。该特征包含丰富的信息,相当于大约40位熵,足以识别数十亿个相同型号的不同智能手机。我们已经建立了一个原型来评估我们的方法,结果表明,生成的设备ID可以作为一个替代cookie。
2014-07-03 cs.CR
DeviceRadar: Online IoT Device Fingerprinting in ISPs using Programmable Switches
DeviceRadar利用可编程交换机,通过关键数据包和空间关系提取特征,在ISP网络中实现高吞吐、低延迟的在线物联网设备指纹识别,准确率领先且处理时间大幅缩短。
2024-04-19 cs.CR cs.NI
Characterizing and Mitigating the Effects of Device Temperature on RF Fingerprinting Accuracy
Oregon State University(俄勒冈州立大学)
研究射频指纹识别受设备温度影响的问题,提出温度感知RFFP框架,将温度信息纳入学习过程,在真实BLE数据集上评估,该方法优于其他基线,提升了分类准确性,尤其在未见温度和环境条件下。
2026-07-29 cs.CR cs.LG eess.SP
Deep Complex Networks for Protocol-Agnostic Radio Frequency Device Fingerprinting in the Wild
研究人员已经展示了用于指纹识别和识别设备的各种技术。先前的方法已经从设备的网络业务或传输的信号中识别设备,同时依赖于软件或操作系统特定的人工产物(例如,协议报头字段的可预测性)或底层协议的特性(例如,频率偏移)。由于这些约束在现实环境中可能是一个障碍,我们引入了一个实用的,可推广的方法,为各种场景提供了显着的操作价值,包括作为一个额外的认证因素,以防止模仿攻击。我们的目标是在不了解信号性质的情况下,识别由设备独特的硬件“缺陷”引起的传输信号中的伪影。我们开发了RF-DCN,这是一种新型的深度复值神经网络(DCN),它对原始RF信号进行操作,并且完全不知道底层应用和协议。我们提出了两种DCN变体:(i)用于建模全信号的卷积DCN(CDCN),以及(ii)用于建模时间序列的递归DCN(RDCN)。我们的系统处理原始的I/Q数据从露天捕获在给定的频谱窗口内,没有调制方案的知识,甚至载波频率。虽然我们的实验证明了我们的系统的有效性,特别是在其他神经网络架构崩溃的挑战性条件下,我们确定了基于信号的指纹识别的其他挑战,并为未来的探索提供了指导方针。我们的工作为在这个巨大而具有挑战性的空间内进行更多研究奠定了基础,为在新型复值网络中使用原始RF I/Q数据建立了基本方向。
2019-09-18 cs.CR eess.SP
Identification of Wearable Devices with Bluetooth
本文提出一种基于蓝牙经典协议和20种机器学习算法的非侵入式可穿戴设备指纹识别框架,在真实智能手表上实现平均98.5%准确率、98.3%精确率和召回率,用于提供网络威胁情报。
2025-04-13 cs.CR
Erasing Radio Frequency Fingerprints via Active Adversarial Perturbation
本文针对射频指纹可能泄露用户隐私的问题,提出一种基于主动对抗扰动的擦除方法,通过扰动导频信号隐藏硬件特征并误导识别模型,同时不影响通信功能,并在LTE系统中验证了其有效性。
2024-06-12 cs.CR
Detecting Fraudulent Services on Quantum Cloud Platforms via Dynamic Fingerprinting
针对量子云平台欺诈服务问题,提出基于动态指纹的检测方法,利用单一探测电路捕获设备错误特征,通过比较设备端与用户端指纹识别机器替换和配置文件伪造攻击,并在IBM量子平台上验证了有效性。
2024-08-20 cs.CR quant-ph
Device Authentication Codes based on RF Fingerprinting using Deep Learning
Prairie View A&M University(普雷里维尤农工大学);Texas A&M University System(德州农工大学系统)
在本文中,我们提出了设备认证码(DAC),这是一种通过利用无线接口的射频(RF)签名来认证物联网设备的新方法。所提出的DAC基于RF指纹识别、信息论方法、特征学习和深度学习的区分能力。具体而言,自动编码器用于从RF迹线自动提取特征,并且重建误差用作DAC,并且该DAC对于器件和感兴趣的特定消息是唯一的。然后,利用Kolmogorov-Smirnov(K-S)检验对自动编码器产生的重构误差分布与接收到的消息进行匹配,从而确定感兴趣的设备是否属于授权用户。我们验证了这一概念的两个实验收集的RF轨迹从六个ZigBee和五个通用软件定义的无线电外设(USRP)设备,分别。通过改变设备的位置和移动性以及信道干扰和噪声,迹线跨越信噪比的范围,以确保模型的鲁棒性。实验结果表明,DAC能够通过提取显著特征来防止设备冒充,这些显著特征对于任何感兴趣的无线设备都是唯一的,并且可以用于识别RF设备。此外,所提出的方法在模型训练期间不需要入侵者的RF迹线,但能够识别在训练期间未看到的设备,这使得它具有实用性。
2020-04-19 cs.CR cs.LG eess.SP
Your Smart Home Can't Keep a Secret: Towards Automated Fingerprinting of IoT Traffic with Neural Networks
近年来,物联网(IoT)技术被广泛采用,并深刻改变了人们的日常生活。然而,与此同时,这种快速发展的技术也带来了新的隐私问题,需要更好地理解和衡量。在这项工作中,我们研究如何从灵巧家庭网络中产生的网络流量中泄露私人信息。虽然研究人员已经提出了在干净的实验设置下推断物联网设备类型或用户行为的技术,但在复杂但现实的网络环境中,这种方法的有效性变得值得怀疑,其中启用了网络地址和端口转换(NAPT)和虚拟专用网络(VPN)等常见技术。使用传统方法进行流量分析(例如,通过经典的机器学习模型)在这些设置下的效果要差得多,因为手动选择的特征不再独特。在这项工作中,我们提出了一个基于序列学习技术(如LSTM)的流量分析框架,并利用数据包之间的时间关系进行设备识别攻击。我们在不同的环境设置下进行了评估(例如,具有多个非IoT设备的纯IoT和嘈杂环境)。结果表明,我们的框架能够以高准确度区分设备类型。这一结果表明,物联网网络通信对用户的隐私构成了突出的挑战,即使它们受到加密保护并通过网络网关变形。因此,需要开发物联网流量的新隐私保护方法来缓解这一新问题。
2019-08-31 cs.CR
Assessing Web Fingerprinting Risk
本研究基于数千万真实Chrome浏览器的数据,首次考虑Web API间的相关性并开发新实验设计,准确估计浏览器指纹熵,揭示其分布规律并评估缓解方法。
2024-03-22 cs.CR cs.CY
A Survey and Future Outlook on Indoor Location Fingerprinting Privacy Preservation
Cyberspace Research Institute, Shahid Beheshti University(沙希德·贝赫什提大学网络空间研究院);Open Universiteit(荷兰开放大学)
本文综述了室内位置指纹隐私保护机制,基于密码学、匿名化、差分隐私和联邦学习,并提出新的漏洞分类和未来研究方向。
2025-10-15 cs.CR eess.SP
Browser Fingerprinting Using WebAssembly
本文提出一种利用 WebAssembly 计算能力的浏览器指纹识别新方法,通过 CPU 操作、内存任务和 I/O 活动生成指纹,即使伪造 User-Agent 也能高精度识别设备,并提出了隐私风险缓解策略。
2025-05-31 cs.CR
Physical Layer Identification based on Spatial-temporal Beam Features for Millimeter Wave Wireless Networks
随着毫米波(mmWave)无线通信被设想为下一代高数据率无线网络的关键使能者,安全性是至关重要的。虽然无线网络中的常规安全措施在协议栈的较高层操作,但是物理层安全利用唯一的设备相关硬件特征来识别和认证合法设备。在这项工作中,我们确定毫米波设备中使用的天线阵列的制造公差有助于每个设备唯一的波束图案,为此,我们提出了一种基于毫米波设备使用的独特波束图案的新型设备指纹识别方案。具体来说,我们提出了一个指纹方案与多个接入点(AP),以利用丰富的时空信息的波束图案。我们进行全面的实验与商业现成的毫米波设备,以验证我们提出的方法在各种情况下的可靠性性能。我们还比较了我们的光束模式功能与传统的物理层功能,即功率谱密度功能(PSD)。为此,我们实现了基于PSD特征的毫米波设备指纹识别。我们表明,所提出的多个AP计划是能够实现超过99%的识别精度为固定的LOS和NLOS的情况下,显着优于PSD为基础的方法。对于移动场景,整体识别准确率为96%。此外,我们进行安全性分析,我们提出的波束图案指纹系统和PSD指纹系统进行模拟攻击的可行性研究。我们设计并实现了一个模仿攻击机制的毫米波无线网络使用最先进的60 GHz的软件定义的无线电。我们讨论了我们的研究结果及其对毫米波无线网络安全的影响。
2019-02-10 cs.CR cs.NI
Digital Fingerprinting on Multimedia: A Survey
本综述系统回顾了基于感知哈希的多媒体数字指纹技术,涵盖其定义、单模态提取算法、深度学习应用及未来挑战,旨在填补该领域缺乏全面文献综述的空白。
2024-08-26 cs.CR cs.MM
Locality Sensitive Hashing for Network Traffic Fingerprinting
University of Nevada, Reno(内华达大学雷诺分校)
针对物联网设备易受攻击且传统机器学习流量指纹识别方法存在需特征选择、超参数调整及模型重训练等局限,本文提出使用局部敏感哈希(LSH)特别是 Nilsimsa 函数生成网络数据指纹以识别设备,准确率达约 94%,较现有最优方法提升 12%。
2024-02-12 cs.CR cs.LG cs.NI
ADL-ID: Adversarial Disentanglement Learning for Wireless Device Fingerprinting Temporal Domain Adaptation
Oregon State University(俄勒冈州立大学)
随着5G标准化的旅程即将结束,学术界和工业界已经开始考虑第六代(6 G)无线网络,旨在满足未来十年的服务需求。基于深度学习的RF指纹识别(DL-RFFP)最近被认为是实现关键无线网络应用和服务(例如频谱策略实施和网络访问控制)的潜在解决方案。当使用从与用于训练数据的域不同的域提取的数据进行测试时,最先进的DL-RFFP框架遭受显著的性能下降。在本文中,我们提出了ADL-ID,一个无监督的域自适应框架,它是基于对抗解纠缠表示,以解决RFFP任务的时间领域自适应。我们的框架已经在真实的LoRa和WiFi数据集上进行了评估,与短期时间适应的基线CNN网络相比,准确性提高了约24%。它还将长期时间适应的分类精度提高了9%。此外,我们还发布了从50台Pycom设备收集的为期5天、2.1TB的大规模WiFi 802.11b数据集,以支持研究社区开发和验证强大的RFFP方法。
2023-01-29 cs.CR cs.LG eess.SP
Fingerprinting Analog IoT Sensors for Secret-Free Authentication
特别是在关键城市基础设施的背景下,对物联网数据的信任至关重要。虽然大多数技术栈都提供了设备到云流量的身份验证和加密方法,但目前还没有机制可以排除对物联网设备传感器的物理篡改。为了解决这一差距,我们引入了一种提取物联网传感器硬件指纹的新方法,该方法可用于无秘密身份验证。通过将指纹与部署前记录的参考测量值进行比较,我们可以判断连接到物联网设备的传感硬件是否因环境影响或恶意意图而改变。我们的方法利用了模拟电路的特性行为,这是通过向传感器施加固定频率的交流电来揭示的,同时记录其输出电压。为了证明我们的方法的一般可行性,我们将其应用到四个市售的温度传感器使用实验室设备和评估的准确性。结果表明,通过两个超参数的合理配置,我们可以使用目标设备的少量记录以高概率识别单个传感器。
2020-06-11 cs.CR cs.DC
On the Reliability of Radio Frequency Fingerprinting
本研究揭示射频指纹并非唯一持久,FPGA镜像重加载会引发突变,提出图抽象方法与可靠性评估框架,证实其为概率现象需多样本采集以保障可靠性。
2024-08-17 cs.CR
CPU-Auth: Device Fingerprinting for Authentication via DVFS Side-Channel
University of California, Davis(加州大学戴维斯分校)
本研究提出基于CPU物理特性的新型认证机制CPU-Auth,通过浏览器远程测量DVFS调控器行为建立硬件设备指纹,经5万余条数据轨迹评估性能,为解决现有认证缺陷提供新方案。
2026-10-09 cs.CR cs.LG
Probing for Passwords -- Privacy Implications of SSIDs in Probe Requests
探测请求帮助移动设备发现活动的Wi-Fi网络。它们通常包含大量可用于识别和跟踪设备及其用户的数据。过去的几年一直是一场猫捉老鼠的游戏,改进指纹识别并引入针对指纹识别的对策。本文分析了现场实验中移动设备和操作系统发送的探测请求的内容。在其中,我们发现用户(可能是偶然的)在SSID字段中输入了大量数据,并找到了密码、电子邮件地址、姓名和度假地点。通过这些发现,我们强调,探测请求应被视为敏感数据,并得到很好的保护。为了保护用户隐私,我们建议和评估一个隐私友好的基于哈希的探测请求和改进的用户控制的建设。
2022-07-06 cs.CR
Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification
University of Murcia(穆尔西亚大学);armasuisse Science & Technology(瑞士国防采购与技术局科学与技术部);University of Zurich(苏黎世大学)
在过去的几年里,部署的物联网设备数量经历了爆炸式增长,达到了数十亿的规模。然而,一些新的网络安全问题也随之出现。其中一些问题是部署未经授权的设备、恶意代码修改、恶意软件部署或漏洞利用。这一事实激发了对基于行为监测的新设备识别机制的需求。此外,由于该领域的进步和处理能力的增加,这些解决方案最近利用了机器和深度学习技术。相比之下,攻击者并没有停滞不前,而是开发了对抗攻击,专注于应用于物联网设备识别解决方案的上下文修改和ML/DL评估规避。这项工作探讨了基于硬件行为的单个设备识别的性能,它如何受到可能的上下文和ML/DL攻击的影响,以及如何使用防御技术提高其弹性。从这个意义上说,它提出了一种基于硬件性能行为的LSTM-CNN架构,用于单个设备识别。然后,使用从45台运行相同软件的Raspberry Pi设备收集的硬件性能数据集,将以前的技术与所提出的架构进行了比较。LSTM-CNN改进了以前的解决方案,为所有设备实现了+0.96的平均F1分数和0.8的最小TPR。之后,上下文和ML/DL为重点的对抗攻击对以前的模型,以测试其鲁棒性。基于温度的上下文攻击无法破坏识别。然而,一些ML/DL最先进的规避攻击是成功的。最后,选择对抗性训练和模型蒸馏防御技术来提高模型对规避攻击的弹性,而不会降低其性能。
2022-12-30 cs.AI cs.CR
Near-Optimal Fingerprinting with Constraints
最近的几项研究表明,人们表现出很大的行为独特性。这对隐私有着严重的影响,因为大多数人在大型数据集中变得越来越可重新识别,或者在他们浏览网页时只使用他们的几个属性(称为指纹)就可以被跟踪。通常,这些攻击的成功取决于对关于个体的可学习属性的数量的明确约束,即,他们指纹的大小。这些限制可以是预算以及数据持有者施加的技术限制。例如,Apple限制iOS上另一个应用程序可以调用的应用程序数量,以减轻泄露设备上已安装应用程序列表的潜在隐私威胁。在这项工作中,我们解决了识别属性的问题(例如,智能手机应用),其可以用作给定对指纹大小的约束的用户的指纹。我们给出了一般最好的指纹算法,并在几个真实世界的数据集上评估了它们的有效性。我们的研究结果表明,在许多实际情况下,目前的隐私卫士限制可以查询的个人属性的数量不足以减轻其潜在的隐私风险。
2016-06-03 cs.CR
Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security
本文提出EPS-CNN框架,利用CNN从双面包络功率谱生成设备身份,作为零信任架构中的认证层,在跨域场景下实现高准确率,提升物联网设备识别的鲁棒性与适应性。
2024-02-08 cs.CR cs.NI eess.SP