IoT Device Identification with Machine Learning: Common Pitfalls and Best Practices
本文探讨了物联网设备识别中机器学习的常见问题与最佳实践，分析了识别方法、数据异质性及评估指标的权衡，旨在提升安全模型的可重复性和通用性。
2026-01-28 cs.AI cs.CR cs.NI
IoT2Vec: Identification of Similar IoT Devices via Activity Footprints
Samsung R&D Institute Bangalore（三星班加罗尔研发研究院）
我们考虑一个灵巧家庭或智能办公室环境，其中连接了许多物联网设备并在彼此之间传递数据。传输的数据的足迹可以提供有关设备的有价值的信息，这些信息可用于（a）识别IoT设备，以及（b）在故障情况下识别这些设备的正确替代品。在本文中，我们使用Word2Vec为灵巧家庭中的物联网设备生成嵌入，并探索为物联网设备提供类似概念的可能性，即IoT2Vec。这些嵌入可以以多种方式使用，例如在IoT设备商店中查找类似设备，或者作为每种类型IoT设备的签名。我们展示了对物联网设备活动日志CASAS数据集的可行性研究结果，使用我们的方法来识别家庭中各种类型物联网设备的嵌入模式。
2018-05-21 cs.AI cs.HC cs.NE
Network Traffic Analysis based IoT Device Identification
Faculty of Integrated Technologies（综合技术学院）；Institute of Applied Data Analytics（应用数据分析研究所）
设备识别是在不使用其分配的网络或其他凭证的情况下识别互联网上的设备的过程。物联网（IoT）设备使用的急剧增长，由于各种各样的设备、协议和控制接口，给设备识别带来了新的挑战。在网络中，传统的物联网设备通过利用IP或MAC地址来识别彼此，这很容易受到欺骗。此外，物联网设备是具有最小嵌入式安全解决方案的低功耗设备。为了缓解物联网设备中的问题，可以使用指纹（DFP）进行设备识别。DFP通过使用隐式标识符来识别设备，诸如网络流量（或分组）、无线电信号，设备用于其在网络上的通信。这些标识符与设备硬件和软件功能密切相关。在本文中，我们利用TCP/IP数据包的报头功能，创建一个设备指纹利用设备发起的网络数据包。我们提出了一组三个指标，从一个数据包，积极促进设备识别的一些功能。为了评估我们的方法，我们使用了两个可公开访问的数据集。我们观察到设备类型分类的准确性为99.37%，从IoT Sentinel数据集中识别单个设备的准确性为83.35%。然而，使用UNSW数据集设备类型识别准确率高达97.78%。
2020-09-10 cs.AI cs.CR cs.NI
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
Leveraging Machine Learning for Accurate IoT Device Identification in Dynamic Wireless Contexts
Santa Clara University（圣克拉拉大学）
针对现有物联网设备识别方法忽视无线信道动态影响的问题，提出以设备延迟为主要特征并引入累积分数捕获信道动态，结合机器学习实现超过97%的F1分数，显著优于忽视信道动态的75%的基线。
2024-05-15 cs.AI cs.LG cs.NI
A New Security and Identification Concept for SWIPT Systems in IoT Applications
本文针对 SWIPT 物联网场景提出基于射频整流器和数字私钥的反向散射识别机制，构建独立于通信协议的硬件物理安全层。
2024-10-25 cs.NI
Automated Identification of Vulnerable Devices in Networks using Traffic Data and Deep Learning
University of Bonn（波恩大学）；Fraunhofer Institute for Communication, Information Processing and Ergonomics (FKIE)（弗劳恩霍夫通信、信息处理与人体工程学研究所（FKIE））
由于安全设计存在缺陷，并且缺乏消除安全漏洞的固件更新或补丁机制，许多物联网设备很容易受到攻击。设备类型识别与漏洞数据库中的数据相结合，可以精确定位网络中易受攻击的物联网设备，并可用于限制易受攻击设备的通信，以防止损坏。在这篇文章中，我们提出并评估了两种用于可靠的物联网设备类型识别的深度学习方法，即循环和卷积网络架构。这两种深度学习方法的准确率分别为97%和98%，因此优于使用手工指纹特征的最新物联网设备类型识别方法，准确率为82%。两种深度学习方法的物联网识别的运行时性能都比手工制作的方法高出三个数量级。最后，重要性度量解释了两种深度学习方法在所分析的流量数据流的利用率方面的结果。
2021-02-16 cs.AI cs.CR cs.NI
Blocking without Breaking: Identification and Mitigation of Non-Essential IoT Traffic
尽管物联网（IoT）设备很流行，但关于这些设备产生的互联网流量的目的和风险的信息很少，消费者控制这些风险的选择有限。一个关键的开放问题是，是否可以通过自动阻止物联网设备的一些互联网连接来减轻这些风险，而不会使设备无法操作。在本文中，我们通过开发一种严格的方法来解决这个问题，该方法依赖于自动化物联网设备实验来揭示哪些网络连接（及其暴露的信息）是必不可少的，哪些不是。我们进一步开发策略来自动将网络流量目的地分类为所需的（即，它们的业务对于设备正常工作是必不可少的），因此允许防火墙规则阻止发送到不需要的目的地的业务而不破坏设备的功能。我们发现，在我们测试的31台设备中，确实有16台至少有一个可阻止的非必需目的地，一台设备的最大可阻止目的地数量为11。我们进一步分析了网络流量的目的地，发现在我们的实验中观察到的所有第三方都是可阻塞的，而第一方和支持方既不是统一要求的，也不是不要求的。最后，我们展示了现有阻止列表对物联网流量的限制，提出了一套自动限制非必要物联网流量的指导方针，并开发了一个实现这些指导方针的原型系统。
2021-05-11 cs.NI
Externally validating the IoTDevID device identification methodology using the CIC IoT 2022 Dataset
本文在 CIC-IoT-2022 上外部验证 IoTDevID 的特征集与聚合算法，证明数据多样性和数量影响识别性能，并取得优异 F1 结果。
2023-07-03 cs.CR cs.NI
Decentralized Indoor Localization Based on A Sparse Gaussian Process with Reduced-Dimensional Inputs for Real-Time Sensing and Training on IoT Devices
Institute of Cyberspace Security, College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院网络空间安全研究所）；Binjiang Institute of Artificial Intelligence, Zhejiang University of Technology（浙江工业大学滨江人工智能研究院）；School of Artificial Intelligence, Suzhou Institute of Industrial Technology（苏州工业职业技术学院人工智能学院）；School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；University of Liverpool（利物浦大学）；D5 Data Co., Ltd.（D5数据有限公司）
针对传统集中式室内定位的缺陷，提出基于SGP-RI模型的去中心化框架，在IoT设备上实现时变环境下的室内定位，且SGP-RI用更少样本达到与标准GP相当的性能。
2026-08-10 cs.LG cs.NI eess.SP
Identification of the Most Significant Parameter for Optimizing the Performance of RPL Routing Protocol in IoT Using Taguchi Design of Experiments
本文利用田口实验设计分析网络规模、移动速度、DIO_DOUBLING、DIO_MIN_INTERVAL和冗余常数五个因素对RPL功耗的影响，发现DIO_MIN_INTERVAL是最重要参数，为后续优化RPL能效提供依据。
2023-05-09 cs.NI
IoT Behavioral Monitoring via Network Traffic Analysis
The University of New South Wales（新南威尔士大学）；School of Electrical Engineering and Telecommunications（电气与电信工程学院）
灵巧家庭、企业和城市越来越多地配备了大量的物联网（IoT），从智能灯到安全摄像头。虽然物联网网络有可能造福我们的生活，但它们带来了传统IT网络所没有的隐私和安全挑战。由于缺乏可见性，这种智能环境的运营商通常不知道他们的物联网资产，更不用说每个物联网设备是否正常运行，免受网络攻击。这篇论文是我们努力开发技术来分析物联网的网络行为模式，自动化物联网分类，推断其操作上下文，并检测指示网络攻击的异常行为的结果。我们通过调查物联网生态系统开始这篇论文，同时回顾当前的漏洞评估，入侵检测和行为监控方法。对于我们的第一个贡献，我们收集流量跟踪，并通过流量模式的属性来描述物联网设备的网络行为。我们开发了一个强大的基于机器学习的推理引擎，使用这些属性进行训练，并展示了28个物联网设备的实时分类，准确率超过99%。我们的第二个贡献是通过降低属性提取的成本，同时识别物联网设备状态来增强分类。原型实现和评估展示了我们的监督机器学习方法检测五个物联网设备的行为变化的能力。我们的第三个也是最后一个贡献是开发了一个模块化的无监督推理引擎，该引擎可以动态地适应新物联网设备的添加和/或对现有设备的更新，而不需要对模型进行系统范围的重新训练。我们通过实验证明，我们的模型可以自动检测10个物联网设备中的攻击和固件更改，准确率超过94%。
2020-01-28 cs.CR cs.LG cs.NI
GeMID: Generalizable Models for IoT Device Identification
Department of Computer Science, Heriot-Watt University（赫里奥特-沃森大学计算机科学系）；Gumushane University（Gumushane大学）
针对现有物联网设备识别模型泛化性不足的问题，提出GeMID框架，通过带外部反馈的遗传算法优化特征与模型选择，并在多环境数据集验证，揭示传统方法局限，推进物联网安全研究。
2025-11-11 cs.AI cs.CR cs.NI
Towards Automatic Identification and Blocking of Non-Critical IoT Traffic Destinations
近年来，消费者物联网（IoT）领域的受欢迎程度显著上升。从智能扬声器到婴儿监视器，再到智能水壶和电视，这些设备越来越多地出现在世界各地的家庭中，而用户可能没有意识到拥有这些设备所带来的风险。以前的研究表明，这些设备可以通过将在线信息暴露给大量服务提供商和第三方分析服务来威胁个人的隐私和安全。我们的分析表明，这些互联网连接（以及它们所暴露的信息）中的许多对于这些设备的操作来说既不重要，也不重要。然而，自动将物联网设备的关键网络流量与非关键网络流量分开并不简单，需要在受控设置中基于手动实验进行专家分析。在本文中，我们调查是否有可能自动分类网络流量的目的地，无论是关键的（重要的设备正常工作）或不，从而允许家庭网关作为一个选择性的防火墙来阻止不需要的，非关键的目的地。我们的初步结果表明，一些物联网设备会与对其操作不重要的目的地联系，如果这些目的地被阻止，对设备功能没有影响。我们迈出了设计和评估IoTrimmer的第一步，IoTrimmer是一个自动测试和分析设备所接触的各种目的地的框架，并有选择地阻止那些不影响设备功能的目的地。
2020-03-16 cs.CR cs.NI
What's on My Network? Using Large Language Models to Identify Real-World IoT Devices at Scale
New York University（纽约大学）；Google（谷歌）
研究共享环境中物联网设备识别难题，引入语义推理管道，用大语言模型构建高保真标签并指令微调模型，在众多供应商中取得高准确率，对多种问题保持稳健，为大规模可信设备识别提供基础。
2026-07-09 cs.LG cs.NI
A survey on subjecting electronic product code and non-ID objects to IP identification
本文综述使电子产品代码和非ID对象接受IP识别的IoT寻址方法，并从计算开销、可扩展性、适应性、成本和ID兼容性五方面进行比较。
2020-05-11 cs.NI
Communication Traffic Characteristics Reveal an IoT Devices Identity
本文提出一种基于监督机器学习的设备指纹模型，仅利用TCP/IP数据包头的22个流量特征识别物联网设备，在UNSW数据集上分类准确率超过98%，为网络运营商增强网络安全提供了有效手段。
2024-02-25 cs.AI cs.NI
A Protocol-Agnostic Backscatter-Based Security Layer for Ultra-Low-Power SWIPT IoT Networks
LAAS-CNRS, Université de Toulouse（图卢兹大学 LAAS-CNRS）
本文提出了一种轻量级、协议无关的SWIPT安全增强方案，通过背散射机制实现安全高效的设备识别，验证了其在空间受限物联网部署中的实用性与可扩展性。
2026-04-17 cs.CR cs.NI
Device identification using optimized digital footprints
Universiti Brunei Darussalam（文莱达鲁萨兰大学）
物联网（IoT）和非物联网设备数量的快速增长给网络管理员带来了新的安全挑战。在日益复杂的网络结构中，准确的设备识别是必要的。在本文中，设备指纹（DFP）方法已被提出用于设备识别，基于数字足迹，设备用于通过网络进行通信。基于Weka中的属性评估器，从单个传输控制协议/互联网协议分组的网络和传输层中选择了九个特征的子集，以生成特定于设备的签名。该方法已在两个在线数据集和一个实验数据集上进行了评估，使用不同的监督机器学习（ML）算法。结果表明，该方法能够使用随机森林（RF）分类器以高达100%的精度区分设备类型，并以高达95.7%的精度对单个设备进行分类。这些结果证明了所提出的DFP方法用于设备识别的适用性，以提供更安全和鲁棒的网络。
2022-12-04 cs.CR cs.LG cs.NI
Malware Detection in IOT Systems Using Machine Learning Techniques
Newcastle University（纽卡斯尔大学）；Kent State University（肯特州立大学）
本研究提出一种CNN-LSTM混合模型用于物联网恶意软件检测，通过K折交叉验证达到95.5%的准确率，优于现有方法，为增强物联网安全提供了有效方案。
2024-02-04 cs.CR cs.LG cs.NI
Towards Intrusion Detection Systems for RPL-based IoT Networks using Foundation Models
Uppsala University（乌普萨拉大学）
本研究探索使用基础模型（MOMENT）检测和识别RPL物联网网络中的多种攻击类型，在Cooja模拟数据集上实现了与现有方法相当的检测性能并有效区分攻击类型。
2026-06-02 cs.CR cs.NI
Enhancing Wireless Networks for IoT with Large Vision Models: Foundations and Applications
本文研究大视觉模型（LVM）的功能架构与无线通信应用，提出渐进式微调框架以适配多物联网任务联合优化，案例验证其在低空经济网络相关任务中优于传统CNN。
2025-08-01 cs.NI
Network Traffic Characteristics of IoT Devices in Smart Homes
了解物联网设备的网络流量特征在提高物联网设备的性能和安全性方面起着至关重要的作用，包括物联网设备识别，分类和异常检测。尽管许多现有的研究工作已经开发出基于机器学习的算法来帮助解决提高物联网设备安全性的挑战，但它们都没有提供关于物联网设备网络流量特征的详细研究。在本文中，我们收集并分析了一个典型的灵巧家庭环境中产生的网络流量，该环境由一组常见的物联网（和非物联网）设备组成。我们从三个互补的方面分析物联网设备的网络流量特征：物联网设备连接的远程网络服务器和端口号，流级流量特征（如流持续时间）和数据包级流量特征（如数据包到达间隔时间）。我们的研究为物联网设备的操作和行为特征提供了重要见解，这有助于为物联网设备开发更有效的安全和性能算法。
2021-09-04 cs.NI
Optimizing Energy and Data Collection in UAV-aided IoT Networks using Attention-based Multi-Objective Reinforcement Learning
Advanced Wireless Technology Lab, Paris Research Center, Huawei Technologies France（华为法国技术有限公司巴黎研究中心先进无线技术实验室）；EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部）；Communication Systems Department, EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部通信系统部）；Dept. of Computer Science and Artificial Intelligence, University of Granada, Spain（Granada大学计算机科学与人工智能系）
本文提出一种基于注意力的多目标强化学习方法，用于优化无人机辅助物联网网络中的能耗与数据采集，通过单一模型实现动态场景适应，提升性能与泛化能力。
2026-01-20 cs.LG cs.NI
IoT Device Labeling Using Large Language Models
针对未知 IoT 设备的厂商与功能标注问题，提出结合网络文本特征、搜索数据、目录匹配及 LLM 零样本分类的自动标注框架，并在 97 台设备上验证有效。
2024-03-03 cs.CR cs.NI
Enhancing IoT Security via Automatic Network Traffic Analysis: The Transition from Machine Learning to Deep Learning
Technology Innovation Institute（技术创新研究院）；Unikie（Unikie公司）
本文通过将物联网网络流量数据转换为图像并训练深度学习模型，对比证明其在攻击分类和设备类型识别上优于传统机器学习，且特征提取时间从约29毫秒降至2.9毫秒，推动物联网安全从人工特征工程向深度学习集成转变。
2023-11-20 cs.AI cs.CR cs.NI
IoT Localization for Bistatic Passive UHF RFID Systems with 3D Radiation Pattern
无源射频识别（RFID）系统由于其能量收集能力而对物联网（IoT）应用至关重要。特别是基于RFID的位置估计，预计将促进具有低功耗要求的物联网应用的各种基于位置的服务。在本文中，考虑到单基地和双基地的配置和三维天线辐射方向图，我们研究的接收信号强度的无线定位使用无源超高频（UHF）RFID系统的准确性。克拉美-罗下界（CRLB）的定位精度推导，并与最大似然估计的各种RFID天线配置的准确性进行比较。数值结果表明，由于RFID标签/天线灵敏度和定向天线方向图，定位精度可以在保持在RFID读取器天线的主波束方向图之外的盲区处降低。在这种情况下，优化天线的仰角，以提高定位覆盖，而使用双基地配置，提高定位精度显着。
2017-02-01 cs.NI
Dynamic and Distributed Routing in IoT Networks based on Multi-Objective Q-Learning
Department of Computer and Systems Sciences, Stockholm University（计算机与系统科学系，斯德哥尔摩大学）
本文提出了一种动态分布式多目标Q学习路由算法，通过并行学习多个Q表和贪婪插值策略，实现对物联网网络中动态优先事项的高效适应，显著降低能耗并提高奖励和数据包交付率。
2026-02-06 cs.AI cs.DC cs.LG
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
Hiding in Plain Sight: An IoT Traffic Camouflage Framework for Enhanced Privacy
本文提出一种多技术物联网流量伪装框架，利用六种混淆技术有效掩盖流量模式，显著降低分类器性能并抵御自适应攻击，但会带来延迟和通信开销的增加。
2025-01-26 cs.CR cs.NI
IoT Device Fingerprint using Deep Learning
Faculty of Integrated Technologies（综合技术学院）；Institute of Applied Data Analytics（应用数据分析研究所）；Universiti Brunei Darussalam（文莱达鲁萨兰大学）
设备指纹识别（DFP）是指不使用其网络或其他分配的身份（包括IP地址，媒体访问控制（MAC）地址或国际移动设备身份（IMEI）号码）来识别设备。DFP使用来自设备用于通过网络进行通信的数据包的信息来识别设备。数据包在路由器处接收并被处理以提取信息。在本文中，我们研究了DFP使用到达间隔时间（IAT）。IAT是接收到的两个连续数据包之间的时间间隔。已经观察到，由于器械使用的硬件和软件不同，IAT对于器械是唯一的。DFP的现有工作使用统计技术来分析IAT，并进一步生成可以唯一识别器械的信息。这项工作提出了一种新的想法DFP绘制图形的IAT的数据包，每个图形绘制100 IAT，随后处理所得到的图形的设备的标识。由于在图像处理中实现了深度学习库的基准，该方法提高了识别设备DFP的效率。我们将Raspberry Pi配置为路由器，并在Raspberry Pi上安装了数据包嗅探器应用程序。数据包嗅探器应用程序在日志文件中捕获来自连接设备的数据包信息。我们将两台苹果设备iPad4和iPhone 7 Plus连接到路由器，并为这两台设备创建了IAT图。我们使用卷积神经网络（CNN）来识别设备，并观察到86.7%的准确率。
2019-01-18 cs.CV cs.LG cs.NI
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
When Things Matter: A Data-Centric View of the Internet of Things
随着射频识别（RFID）、低成本无线传感器设备和Web技术的最新进展，物联网（IoT）方法在将日常物品连接到互联网并促进与物理世界的机器对人类和机器对机器通信方面获得了动力。虽然物联网提供了连接和集成数字和物理实体的能力，从而实现了全新的应用和服务，但在完全实现这些应用和服务之前，还需要解决几个重大挑战。一个基本的挑战围绕着管理物联网数据，这些数据通常是在动态和易变的环境中产生的，不仅规模和数量非常大，而且还具有噪声和连续性。本文从以数据为中心的角度综述了物联网中的主要技术和最新研究成果，包括数据流处理、数据存储模型、复杂事件处理和物联网中的搜索。还讨论了物联网数据管理的开放研究问题。
2014-07-21 cs.DB cs.NI
Adversarial Attacks on LoRa Device Identification and Rogue Signal Detection with Deep Learning
Virginia Tech（弗吉尼亚理工大学）
本文研究LoRa设备识别与恶意信号检测中的深度学习模型，并评估基于FGSM的对抗攻击对其性能的影响，揭示攻击的可迁移性漏洞，强调物联网应用需增强对抗鲁棒性。
2023-12-27 cs.AI cs.CR cs.LG
RFID-Assisted Indoor Localization Using Hybrid Wireless Data Fusion
University of Maine（缅因大学）
本文提出一种基于分区的混合室内定位方法，结合RFID跟踪设备与多种IoT无线技术，通过仅在分区边界布置标签以降低成本，并利用RSSI进行蓝牙、WiFi和ZigBee的线性位置估计，实验验证了该方法的有效性。
2023-07-28 cs.LG cs.NI eess.SP
IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways
针对物联网取证中高效采集网络痕迹的需求，提出开源工具IoTScent，支持基于IEEE 802.15.4的物联网流量捕获分析，简化取证数据收集流程，可用于设备识别，推动物联网取证研究发展。
2023-10-05 cs.CR cs.NI cs.SI
Feature-Sniffer: Enabling IoT Forensics in OpenWrt based Wi-Fi Access Points
物联网正在不断发展，每天在我们的家中和工作场所使用数百万台设备来缓解我们的生活。人类与智能设备之间的这种严格共存，使得后者通过其传感器系统成为我们日常生活的数字见证者。这开辟了一个名为物联网取证的新的数字调查领域，其中智能设备产生的数字痕迹（网络流量，在primis中）被用作取证目的的证据。因此，重要的是创造能够捕获、存储并可能容易地分析这种数字痕迹的工具，以减轻法医调查人员的工作。这项工作提出了这样的工具之一，命名为嗅探器，这是明确的Wi-Fi智能设备中使用的智能建筑/灵巧家庭的情况下认为。网络嗅探器是一个基于OpenSSL的接入点的插件，可以轻松地执行在线流量特征提取，避免存储大型PCAP文件。我们提供了对实现细节的准确描述，并通过实际示例展示了其可能的用途，用于从物联网摄像头产生的加密流量中进行设备识别和活动分类。我们公开发布了Observure-Sniffer用于可重复的研究。
2023-02-14 cs.NI
A Comprehensive Survey on Dynamic Software Updating Techniques in IoTs
本文综述物联网（IoT）中的动态软件更新（DSU）技术，分析八篇相关论文，明确DSU工具的应用领域、程序变更类型、优缺点及未来方向，强调其在提升物联网能效、耐久性和安全性的作用，为DSU策略发展提供指导。
2024-12-01 cs.HC cs.NI cs.SE
BSAGIoT: A Bayesian Security Aspect Graph for Internet of Things (IoT)
本文提出一种通用的贝叶斯安全方面依赖图（BSAGIoT），涵盖数据、访问控制、标准、网络和损失五类安全方面，帮助安全专家分析攻击影响、识别根本原因并进行风险评估，实验验证了其可行性。
2025-05-25 cs.CR cs.NI
Unveiling Behavioral Transparency of Protocols Communicated by IoT Networked Assets (Full Version)
该研究针对IoT联网资产协议识别方法临时性的问题，构建了含10款设备6种协议的公开数据包轨迹，提出通用协议特征模型，在占数据集97%的协议检测中几乎无误报，助力设备表征与漏洞评估。
2024-04-11 cs.NI
Are Trees Really Green? A Detection Approach of IoT Malware Attacks
Università degli Studi di Cagliari（卡利亚里大学）；CINI, Consorzio Interuniversitario Nazionale per l’Informatica（意大利国家大学信息学联盟）
本文面向 IoT 恶意软件网络攻击，提出基于隐私保护流量统计特征的绿色检测方法，通过能耗与 Matthew 相关系数联合优化三种树模型超参数，在保持高检测性能的同时降低用电量。
2025-06-09 cs.AI cs.CR cs.NI
Adversarial Attack and Defense for LoRa Device Identification and Authentication via Deep Learning
Nexcepta（内克塞普塔公司）
本文利用深度学习对LoRa设备进行识别与合法/恶意分类，研究FGSM对抗攻击下的脆弱性，并通过对抗训练提升分类器鲁棒性以防御攻击。
2024-12-30 cs.AI cs.CR cs.LG
Internet of Things: An Overview
随着技术的进步和智能设备的数量持续大幅增长，对支持设备的互连、异构和分布式网络的无处不在的上下文感知平台的需求已经引起了今天所称的物联网。然而，为实现上述目标铺平道路并使物联网范式更加有形需要整合和融合不同的知识和研究领域，涵盖从识别和通信到资源发现和服务集成的各个方面。通过本章，我们旨在重点研究主题，包括拟议的架构，安全和隐私，网络通信手段和协议，并最终通过提供未来的方向和物联网发展面临的开放性挑战来总结。
2017-03-19 cs.DC cs.NI
