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
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
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
CNN-based IoT Device Identification: A Comparative Study on Payload vs. Fingerprint
本研究利用CNN对物联网设备进行识别，比较了基于有效载荷和指纹的两种方法，发现两者在准确率上相近，但指纹方法更高效。
2026-01-27 cs.AI cs.CR
IoTGAN: GAN Powered Camouflage Against Machine Learning Based IoT Device Identification
University of South Florida（南佛罗里达大学）；New Mexico State University（新墨西哥州立大学）；Intelligent Automation Inc（智能自动化公司）
本文提出 IoTGAN，通过黑盒替代模型与对抗流量操纵模型伪装 IoT 设备流量以规避机器学习识别，并给出有效防御措施。
2023-12-16 cs.CR cs.LG cs.NI
Machine Learning for the Detection and Identification of Internet of Things (IoT) Devices: A Survey
Shenzhen University（深圳大学）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）
物联网（IoT）正在成为日常生活中不可或缺的一部分，支持各种新兴服务和应用。然而，流氓物联网设备的存在使物联网面临着巨大的风险，并带来了严重的后果。保护物联网的第一步是检测流氓物联网设备并识别合法设备。常规方法使用密码机制来认证和验证合法设备的身份。然而，密码协议在许多系统中不可用。同时，当合法设备可以被利用或加密密钥被公开时，这些方法不太有效。因此，非加密物联网设备识别和流氓设备检测成为保护现有系统的有效解决方案，并将为具有加密协议的系统提供额外的保护。非加密方法需要更多的努力，尚未得到充分的研究。在本文中，我们提供了一个全面的调查机器学习技术，用于识别物联网设备，以及从被动监视代理或网络运营商的角度检测受损或伪造的设备。我们将物联网设备识别和检测分为四类：特定于设备的模式识别、支持深度学习的设备识别、无监督设备识别和异常设备检测。同时，我们讨论了各种ML相关的使能技术，为此目的。这些使能技术包括学习算法、网络流量跟踪和无线信号的特征工程、持续学习和异常检测。
2021-01-25 cs.AI cs.CR cs.LG
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
Software Unclonable Functions for IoT Devices Identification and Security
针对物联网中合法与受攻击设备区分的关键挑战，本研究在提出的软件不可克隆函数（SUFs）框架下，探究基于硬件性能计数器（HPC）的签名的唯一性有效性，为设备识别与安全提供技术支撑。
2025-08-25 cs.CR
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
LSTM based IoT Device Identification
Kahraman Kostas
提出一种端到端机器学习流程，利用LSTM网络处理原始网络数据包，通过滑动窗口时间序列特征识别27类物联网设备，在最优配置下达到79.85%准确率和75.70%宏平均F1分数。
2026-06-11 cs.AI cs.CR cs.LG
IoT Sentinel: Automated Device-Type Identification for Security Enforcement in IoT
随着物联网（IoT）的快速发展，对IoT设备安全性的担忧变得突出。一些供应商正在为家庭和小型办公室网络生产IP连接设备，这些设备通常存在安全设计和实施缺陷。它们还往往缺乏固件更新或补丁的机制，这些机制可以帮助消除安全漏洞。保护存在此类易受攻击设备的网络需要棕地方法：在网络内应用必要的保护措施，以便潜在易受攻击的设备可以共存，而不会危及同一网络中其他设备的安全。在本文中，我们介绍了IOT SENTINEL，这是一种能够自动识别连接到物联网网络的设备类型的系统，并能够强制执行限制易受攻击设备通信的规则，以最大限度地减少因其危害而造成的损害。我们表明IOT SENTINEL在识别设备类型方面是有效的，并且具有最小的性能开销。
2016-12-13 cs.CR
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
Class-Incremental Learning for Wireless Device Identification in IoT
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；Shenzhen University（深圳大学）
深度学习（DL）已广泛应用于物联网（IoT）中。DL在物联网中的一个典型应用是从无线信号中识别设备，即非加密设备识别（NDI）。然而，NDI系统中的学习组件必须进化以适应操作变化，这样的范例被称为增量学习（IL）。已经提出了各种IL算法，其中许多算法需要专用空间来存储越来越多的历史数据，因此，它们不适合物联网或移动应用。然而，传统的IL方案不能提供令人满意的性能时，历史数据不可用。本文从一个新的角度研究了DNN模型中的入侵检测问题，首先，提出了一种新的度量DNN模型拓扑成熟度的度量标准，该度量标准从类特征指纹的冲突程度来度量DNN模型的拓扑成熟度。我们发现，一个重要的原因，性能下降的IL启用NDI是由于设备的指纹冲突。其次，我们还表明，传统的IL计划可能会导致低拓扑成熟度的DNN模型在NDI系统。第三，我们提出了一个新的通道分离使能增量学习（CSIL）方案，而不使用历史数据，在我们的策略中，可以自动分离设备的指纹在不同的学习阶段，并避免潜在的冲突。最后，我们使用来自ADS-B（自动相关监视广播）的真实数据评估了所提出的框架的有效性，ADS-B是物联网在航空领域的应用。拟议的框架有可能应用于准确识别各种物联网应用和服务中的物联网设备。数据和代码可在IEEE数据端口（DOI：10.21227/1bxc-ke 87）和\url{https://github.com/pcwhy/CSIL}…
2021-05-08 cs.AI cs.CR 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
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
IoT Firmware Version Identification Using Transfer Learning with Twin Neural Networks
University of Bristol（布里斯托大学）；Tiberos Research（Tiberos研究所）
本文提出基于双神经网络和迁移学习的物联网固件版本识别方法，通过分析线缆数据包流特征，有效识别设备版本变化，准确率达95.83%。
2025-01-10 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
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
Flow-Based Detection and Identification of Zero-Day IoT Cameras
提出zCamInspector系统，利用流特征和多种机器学习模型，实现高准确率识别已知及零日物联网摄像头，其中XGB识别准确率超99%，DeepSVDD在零日检测中表现最佳。
2025-09-10 cs.CR
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
School of Electrical Engineering and Telecommunications, University of New South Wales（新南威尔士大学电气工程与电信学院）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）；KDDI Research（KDDI研究所）
该研究针对IoT设备识别中概念漂移导致的分类性能下降问题，提出结合均匀流量采样与漂移检测确定标注量的策略，经380万条IPFIX流记录验证，可有效维持分类性能。
2026-08-25 cs.CR cs.LG cs.NI
Revisiting IoT Device Identification
University of Cambridge（剑桥大学）；University of York（约克大学）；Imperial College London（帝国理工学院）
众所周知，物联网（IoT）设备是许多安全问题的根源，因此，它们将从自动化管理中受益匪浅。这就需要对设备进行可靠的识别，以便应用适当的网络安全策略。我们通过探索如何根据物联网设备的网络行为准确识别物联网设备来应对这一挑战，同时利用其他研究人员先前提出的方法。我们比较了四种不同的先前提出的机器学习模型（基于树和基于神经网络）识别物联网设备的准确性。我们使用从大型物联网测试平台收集的六个月内的数据包跟踪数据。我们表明，虽然所有模型在训练时在相同的数据集上进行评估时都达到了很高的准确性，但在训练集以外收集的数据上进行评估时，其准确性会随着时间的推移而下降。我们发现，平均而言，模型的准确性在几周后下降了40个百分点（平均在12到21个百分点之间）。我们认为，为了保持模型的准确性在一个高水平，这些需要不断更新。
2021-07-16 cs.CR cs.LG
RITA: Automatic Framework for Designing of Resilient IoT Applications
Federal University of Rio de Janeiro（里约热内卢联邦大学）；University of Ottawa（渥太华大学）
针对传统弹性物联网系统设计流程手动、低效且风险高的问题，提出自动化开源框架RITA，其基于微调RoBERTa的NER模型识别ICOs、关联威胁并推荐对策，离线运行保障隐私，实证中在4类ICO识别上优于ChatGPT，提升设计效率与安全性。
2024-11-27 cs.AI cs.CR cs.LG
Discretization-based ensemble model for robust learning in IoT
UNSW Sydney（新南威尔士大学悉尼分校）；Data61
针对物联网设备识别的机器学习模型易受对抗攻击的问题，提出基于离散化的集成堆叠技术，结合离散化与集成方法优势，经真实数据集验证可提升模型对抗白盒、黑盒攻击的鲁棒性。
2023-07-18 cs.CR cs.LG
Semantic Matching of Behavioral Primitives for MUD-Based IoT Device Identification
School of EE&T, UNSW Sydney（新南威尔士大学电气与电信工程学院）
提出利用制造商使用描述（MUD）配置文件中的访问控制条目（ACE）作为行为基元，通过语义表示匹配实现物联网设备识别，在公开数据集和真实流量上验证了有效性。
2026-06-12 cs.CR cs.IR
FID: Function Modeling-based Data-Independent and Channel-Robust Physical-Layer Identification
可信识别对于保护IoT设备至关重要。然而，低端物联网设备有限的内存和计算能力阻止了传统识别系统的直接使用。RF指纹识别是一种很有前途的技术，可以识别低端物联网设备，因为它只需要大多数物联网设备可以产生的RF信号进行通信。然而，大多数现有的RF指纹识别系统是数据相关的和/或对来自无线信道的影响不鲁棒。为了解决上述问题，我们建议利用物理层过程的数学表达式，作为一个功能$\mathbf{\mathcal{F}(\cdot)}$，设备识别。$\mathbf{\mathcal{F}(\cdot)}$是不能直接推导的，所以我们进一步提出了一个模型来学习它，并采用这个功能模型作为我们的系统中的设备指纹，即$\mathcal{F}$ ID。我们提出的功能模型的特点是唯一的物理层处理的设备是独立的传输数据，因此，我们的系统$\mathcal{F}$ ID是数据无关的，从而对信号重放攻击的弹性。建模并进一步从功能模型中分离通道效应使得$\mathcal{F}$ ID通道稳健。我们对不同环境和场景下$33$不同设备上的数千个随机信号包进行了$\mathcal{F}$ ID评估，总体识别准确率超过$99\%$。
2019-01-17 cs.CR eess.SP
Data-Driven Detection and Identification of IoT-Enabled Load-Altering Attacks in Power Grids
边缘计算的进步正在推动物联网（IoT）系统的开发和部署，以提供先进的服务和资源效率。然而，大规模基于物联网的负载改变攻击（LAA）可能会严重影响电网运营，例如破坏电网控制回路的稳定。及时检测和识别任何受损节点对于最大限度地减少这些攻击对电网运营的不利影响至关重要。在这项工作中，提出了两个数据驱动的算法来检测和识别受损的节点和攻击参数的LAA。第一种方法，基于稀疏识别非线性动力学（SINDy）的方法，采用稀疏回归框架，以确定攻击参数，最好地描述所观察到的动态。第二种方法，基于物理信息神经网络（PINN），采用神经网络从测量中推断攻击参数。这两种算法都利用边缘计算在分散式架构上进行部署。对IEEE 6节点、14节点和39节点系统进行了大量仿真，验证了所提方法的有效性。数值实验结果表明，该算法优于基于无迹卡尔曼滤波器、支持向量机（SVM）和神经网络（NN）的算法，能够及时有效地检测和识别攻击位置。
2022-03-22 cs.CR cs.IT cs.SY
A Deep Learning-based Penetration Testing Framework for Vulnerability Identification in Internet of Things Environments
近年来，物联网（IoT）范式呈现出巨大的增长，导致了工业4.0和智能环境等创新，这些创新提高了效率，资产管理并促进了智能决策。然而，这些好处被由于固有漏洞而产生的大量网络安全问题所抵消，这些漏洞阻碍了基于物联网的系统的机密性，完整性和可用性。安全漏洞可以通过应用渗透测试来检测，特别是信息收集阶段的一个子集，称为漏洞识别。然而，由于生成的数据的多样性、硬件限制和环境复杂性，现有的渗透测试解决方案无法从物联网环境中发现零日漏洞。因此，开发有效的渗透测试解决方案来检测智能物联网环境中的漏洞势在必行。本文提出了一种基于深度学习的渗透测试框架，即长短期记忆递归神经网络漏洞识别（LSTM-EVI）。我们通过一个新的面向网络安全的测试平台来利用这个框架，这是一个基于智能机场的测试平台，由物理和虚拟元素组成。该框架使用该测试平台和实时数据源进行了评估。我们的研究结果表明，该框架实现了约99%的扫描攻击的检测准确率，优于其他四个对等技术。
2021-09-20 cs.CR
An Automated Approach for Privacy Leakage Identification in IoT Apps
本文提出了一种全自动的静态分析方法和工具Taint-Things，用于识别SmartThings物联网应用程序中的污染流。Taint-Things准确识别由最先进的工具之一报告的所有污染流，性能至少提高4倍。我们的方法以简洁的安全切片的形式报告潜在的易受攻击的污染流，其中代码的相关部分与影响敏感信息的行一起给出，这可以为安全审计人员提供有效和精确的工具来查明测试中SmartThings应用程序的安全问题。我们还提出并测试了通过增加额外的敏感性来增加精度的方法;我们通过可以添加到Taint-Things的模块提供了不同的流，路径和上下文敏感分析方法。我们通过在SmartThings应用程序数据集上运行Taint-Things来评估Taint-Things，并在突变框架生成的集合上测试精度和召回率，以查看在不添加误报的情况下实现了多少覆盖率。这显示了在速度方面的性能改进高达4倍，以及通过提供与现有技术工具之一相比更高水平的流量和路径灵敏度分析来提高精度以避免误报。
2022-02-07 cs.CR cs.SE
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
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
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
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
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
On the Activity Privacy of Blockchain for IoT
由于物联网设备的异构性和资源限制，安全性是物联网（IoT）的基本挑战之一。设备分类方法通过检测未注册的设备或流量模式来增强物联网的安全性。近年来，区块链作为一种分布式的无信任平台，以增强物联网的安全性，受到了极大的关注。传统的设备识别方法不能直接应用于基于区块链的物联网，因为网络层数据包没有存储在区块链中。此外，交易是广播的，因此没有目的地IP地址，包含公钥作为用户身份，并永久存储在区块链中，可以由网络中的任何实体读取。我们表明，区块链中的设备识别会带来隐私风险，因为恶意节点可以通过分析区块链中交易的时间模式来识别用户的活动模式。我们通过分析存储在区块链中的信息来研究对物联网设备进行分类的可能性，据我们所知，这是同类工作中的第一项。我们使用灵巧家庭作为代表性的物联网场景。首先，根据真实世界的灵巧家庭流量数据集填充区块链。然后，我们对存储在区块链中的数据应用机器学习算法来分析设备分类的成功率，对知情和盲目的攻击者进行建模。我们的结果表明，在分类设备的成功率超过90%。我们提出了三种时间戳混淆方法，即将多个数据包合并到单个事务中，合并多个设备的账本，以及随机延迟事务，以降低设备分类的成功率。所提出的时间戳混淆方法可以将分类成功率降低到20%。
2019-03-14 cs.CR
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
Efficient Attack Detection in IoT Devices using Feature Engineering-Less Machine Learning
University of Delaware（特拉华大学）
通过深度学习的推广，研究界已经解决了网络安全领域的关键挑战，如恶意软件识别和异常检测。然而，他们还没有讨论将它们部署在物联网（IoT）设备上进行日常操作。物联网设备通常在内存和处理能力方面受到限制，导致计算密集型深度学习环境无法使用。这项研究提出了一种克服这一障碍的方法，即绕过深度学习管道中的特征工程，使用原始数据包数据作为输入。我们引入了一个无特征工程的机器学习（ML）过程来在物联网设备上执行恶意软件检测。我们提出的模型，“特征工程-少-ML（FEL-ML）”，是一个轻量级的检测算法，不需要对“工程”特征进行额外的计算。它有效地加速了低功耗的物联网边缘。它是在未处理的数据包字节流上训练的。除了提供更好的结果外，它比传统的基于特征的方法更快。FEL-ML促进了资源敏感的网络流量安全，并消除了主题专家在功能工程方面的重大投资。
2023-01-09 cs.AI cs.CR cs.LG
Self-Sovereign Identity for IoT environments: A Perspective
本文分析了自我主权身份（SSI）的概念，这是一种在物联网（IoT）背景下建立数字身份的新兴方法。我们将现有的互联网身份识别方法（如基于云的帐户和数字证书）与SSI标准（如分散式标识符（DID）和可验证凭据（VC））进行对比。据我们所知，这是第一次对这些方法进行彻底的比较。讨论了使用DID和VC来识别和验证物联网设备及其相应用户的好处和挑战。最后，我们确定SSI以其所有者为中心，隐私感知和去中心化的方法，为物联网设备和用户的安全识别提供了一个可行且有吸引力的选择。
2020-03-11 cs.CR
Radio Frequency Fingerprint Identification Based on Denoising Autoencoders
射频指纹（RFF）是用于提高物联网（IoT）安全性的有前途的被动认证方法之一。然而，随着低功耗物联网设备的激增，提高低信噪比场景下的识别精度变得势在必行。为了解决这个问题，本文提出了一种通用的基于去噪自动编码器（DAE）的深度学习RFF技术模型。此外，设计了一种部分堆叠的方法，以适当地结合半稳态和稳态RFF的ZigBee设备。所提出的基于部分堆叠的卷积DAE（PSC-DAE）旨在重构高SNR信号以及设备识别。实验结果表明，与卷积神经网络（CNN）相比，PSCDAE在低信噪比（-10 dB ~ 5 dB）下，在加性高斯白噪声（AWGN）信道下的识别精度提高了14%~ 23.5%.即使在信噪比为10 dB时，识别精度也高达97.5%。
2019-07-20 cs.CR eess.SP
Smart Surveillance: Identifying IoT Device Behaviours using ML-Powered Traffic Analysis
Curtin University（科廷大学）
本文提出利用机器学习技术，通过网络流量分析识别物联网设备类型和行为，实验显示随机森林分类器在识别准确率上表现最佳。
2025-12-06 cs.CR 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
Reverse Engineering and Security Evaluation of Commercial Tags for RFID-Based IoT Applications
本文针对RFID物联网应用，综述常见安全缺陷，提出一种便于检测和缓解缺陷的新方法论，并通过Proxmark 3工具在多个场景中验证，证明其可用于审计安全及逆向工程RFID通信。
2024-02-05 cs.CR cs.SY eess.SY
A low-overhead approach for self-sovereign identity in IoT
我们提出了一种低开销的机制，用于约束网络中物联网代理的自主识别和通信。我们的主要贡献是使本地使用分散标识符（DID）和基于DID的安全通信的约束网络，而以前的作品要么没有考虑这个问题，或依赖于基于代理的架构。我们提出了一个新的扩展DID以及一个更简洁的序列化方法DID元数据。此外，为了减少传输消息的安全开销，我们采用了二进制消息信封。我们在Swarm Computing的背景下实现了这些建议，这是一种去中心化物联网的方法。结果表明，我们的提案将身份元数据的大小减少了近四倍，安全开销减少了五倍。我们观察到，这两种技术都需要在约束网络上进行操作。
2021-07-21 cs.CR
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
Edge AI-based Radio Frequency Fingerprinting for IoT Networks
KTH Royal Institute of Technology（瑞典皇家理工学院）；Qatar University（卡塔尔大学）
针对物联网资源受限设备的安全挑战，提出两种轻量级边缘AI射频指纹识别方案，利用CNN和Transformer编码器提取IQ特征，在Raspberry Pi上验证，Transformer编码器以73KB模型实现高精度识别。
2024-12-13 cs.AI cs.CR cs.LG
Security in Distributed Systems by Verifiable Location-Based Identities
位置证明（PoL）是物联网（IoT）网络的轻量级安全概念，专注于传感器节点作为IoT网络中性能最差和最脆弱的部分。PoL基于网络参与者的物理位置来识别他们。它引入了一种辅助消息类型来交换位置信息。通过这些消息，节点可以验证其他网络参与者的完整性，并达成共识，以识别潜在的攻击者，防止恶意信息的传播。本文提出了具体的概念，允许在真正的硬件上实现。基于此实现的评估证明了PoL的可行性，并能够确定进一步的步骤来开发可部署的协议。
2023-02-28 cs.CR cs.NI
APT Encrypted Traffic Detection Method based on Two-Parties and Multi-Session for IoT
APT流量检测是网络安全领域的一项重要任务，在企业安全领域具有重要意义。APT流量大多采用加密通信协议作为数据传输介质，大大增加了检测难度。分析了当前基于机器学习的APT加密流量检测方法存在的问题，提出了一种基于两方多会话的APT加密流量检测方法。该方法只需要提取少量的特征，如会话顺序、会话时间间隔、上下游数据大小等，并将其转换为图像。然后采用卷积神经网络方法实现图像识别。从而也可以实现网络流量的识别。在五个实验的初步测试中，该方法取得了良好的实验效果，验证了该方法的有效性。
2023-02-26 cs.CR
A Comprehensive Survey on Smart Home IoT Fingerprinting: From Detection to Prevention and Practical Deployment
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
MalIoT: Scalable and Real-time Malware Traffic Detection for IoT Networks
Elizabethtown College（伊丽莎白敦学院）
本文提出MalIoT系统，利用机器学习算法实时分析IoT设备产生的海量数据以检测恶意流量，并结合Apache Kafka、Apache Spark分布式系统与Intel oneAPI加速推理，实现可扩展、高准确率的网络威胁防御。
2023-04-02 cs.CR cs.DC cs.LG
Detecting Attacks on IoT Devices using Featureless 1D-CNN
University of Delaware（特拉华大学）
在过去，深度学习的推广帮助我们解决了网络安全领域的恶意软件识别和异常检测等挑战。然而，尽管它很有效，但内存和处理能力的稀缺使得在物联网（IoT）设备中执行这些任务变得困难。本研究通过贬低机器学习技术中对特征工程和后续处理的需求，找到了一种摆脱这一瓶颈的简单方法。在这项研究中，我们引入了一个无障碍的机器学习过程来执行异常检测。它使用未处理的数据包字节流作为训练数据。无障碍机器学习实现了对网络流量的低成本和低存储器时间序列分析。它得益于消除了对主题专家的大量投资和特征工程所需的时间。
2021-09-09 cs.CR cs.LG
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
A Survey on Physical Unclonable Function (PUF)-based Security Solutions for Internet of Things
物联网在未来智能城市、智能交通系统等领域的广泛应用，代表了几种具有经济、环境和社会影响的安全攻击的蓬勃发展。本文综述了新兴物联网网络的安全挑战，并讨论了物联网网络中不同领域的一些攻击及其对策。物联网网络的大多数传统解决方案都是从通信网络中采用的，同时注意到物联网网络的特殊性，例如节点数量，异构性和节点资源有限，这些传统的安全方法是不够的。在大规模IoT中利用常见的基于秘密密钥的密码方法的一个挑战是秘密密钥生成、分发和存储以及保护这些秘密密钥免受物理攻击的问题。物理不可克隆功能（PUF）可以用作IoT中的标识和认证的可能硬件补救。由于PUF提取了独特的硬件特征，因此它们潜在地为秘密密钥生成提供了负担得起且实用的解决方案。然而，几个障碍限制了PUF用于密钥生成目的的应用。我们讨论了基于PUF的密钥生成方法的优点，我们提出了一个国家的最先进的技术在这一领域的调查。我们还提出了一种基于PUF的概念验证解决方案，用于使用嵌入在物联网中的电阻式随机存取存储器（ReRAM）生成秘密密钥。
2020-10-12 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
Detecting Unknown Attacks in IoT Environments: An Open Set Classifier for Enhanced Network Intrusion Detection
Texas A&M University（德克萨斯农工大学）；United States Military Academy（美国军事学院）
针对 IoT 网络入侵检测中的未知攻击识别问题，提出结合流量图像表示、stacking 与子聚类的开放集识别框架，未见攻击检测率达 88%。
2023-09-28 cs.AI cs.CR cs.CV
Security of IoT Device: Perspective Forensic/Anti-Forensic Issues on Invalid Area of NAND Flash Memory
基于NAND闪存的物联网设备可能仍然会在无效区域中留下原始个人数据，即使数据已被删除。本文提出了由NAND闪存引起的非托管块中残留原始数据的取证问题，并介绍了在无效区域中安全删除此类数据的方法。我们还提出了一种基于单元计数信息执行的安全删除验证技术，该单元计数信息是指个人数据和存储在块中的数据之间的位差。考虑纠错能力来确定根据单元计数信息的验证技术的通过/失败。由于去识别的取证问题是大数据行业的一个重要主题，严重隐私泄露的威胁加上我们防止这些攻击的建议将被证明是未来关键的技术需求。
2022-08-02 cs.AR cs.CR
