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
A data-driven security quantification framework for IoT-based systems
School of Computing and Engineering, University of Bradford（布拉德福德大学计算机与工程学院）
提出一种结合模型系统工程、攻击树分析和EPSS漏洞数据的概率安全框架，用于量化物联网系统的妥协概率并指导缓解策略。
2026-06-16 cs.CR
Vulnerability Assessment and Penetration Testing on IP cameras
IP摄像机一直是物联网（IoT）的一部分，是家庭和专业环境中使用最广泛的设备之一。不幸的是，IP摄像机的漏洞吸引了恶意活动。例如，在2016年，一次大规模的攻击导致数千个摄像头和物联网设备被攻破，并被用来创建僵尸网络。考虑到这些设备的历史和所访问数据的极端敏感性，人们自然会质疑目前的安全措施。在本文中，漏洞评估和渗透测试进行了一个特定型号的IP摄像机，TP-Link Tapo C200。更详细地说，我们的调查结果表明，有问题的IP摄像机存在三个漏洞，例如：拒绝服务，视频窃听，最后是一种名为“Motion Oracle”的新型攻击。实验不仅限于攻击性部分，而且还为有问题的摄像机和所有可能遭受相同漏洞的人提出对策。对策是基于使用另一个物联网设备，Raspberry Pi。
2022-02-14 cs.CR
DCDetector: An IoT terminal vulnerability mining system based on distributed deep ensemble learning under source code representation
物联网系统基础设施平台设施漏洞攻击已成为网络安全攻击的主战场。传统的漏洞挖掘方法大多依赖于漏洞检测工具来实现漏洞发现。但由于工具的可扩展性和文件大小的限制，其可扩展性相对较低，无法应用于大规模的电力大数据领域。目的：智能检测C/C++等高级语言源代码中的漏洞。这使我们能够提出一种与敏感的源代码片段相关的代码表示，并通过设计分布式深度集成学习模型来检测漏洞。方法：针对大规模数据脆弱性挖掘问题，提出了一种新的并行集成学习定向脆弱性挖掘方法。通过提取敏感函数和敏感语句，形成了易受攻击代码的敏感语句库。粒度更高的AST流式漏洞代码切片通过随机采样模块对源代码进行doc 2 vec语句向量化，通过Bi-LSTM训练器分布式训练得到不同的分类结果，并通过投票得到最终分类结果。结果：该方法设计并实现了分布式深度集成学习系统软件漏洞挖掘系统DCDetector。它可以利用代码的语法信息做出准确的预测，是分析大规模漏洞数据的有效方法。结论：实验表明，该方法可以降低传统静态分析的误报率，提高机器学习的性能和准确率。
2022-12-03 cs.AI cs.CR
CVE based classification of vulnerable IoT systems
常见漏洞和暴露数据库（CVE）是软件和硬件漏洞数据和报告的最大公开来源之一。在这项工作中，我们在物联网设备和系统漏洞的背景下分析了CVE数据库。我们介绍了基于现实世界的物联网系统分类。然后，我们采用支持向量机算法的CVE数据库的选定子集分类“新”的漏洞记录在这个框架中。感兴趣的子集由描述不同应用的潜在物联网设备的漏洞的记录组成，例如：家庭，工业，移动控制器，网络等分类的目的是开发和测试用于识别易受攻击的物联网设备的自动系统，并测试CVE数据在这方面的完整性，充分性和可靠性。
2020-06-30 cs.CR
Cross-Corpus Evaluation of Generalizable Vulnerability Detection in IoT Firmware
The University of Alabama（阿拉巴马大学）
本文提出人工验证的IoT固件漏洞检测基准IoTVulBench，通过多维度评估发现领域匹配训练数据与课程设计可提升跨语料库泛化性能，为IoT安全应用提供基准与可部署配置。
2026-08-18 cs.CR cs.LG
Automated SBOM-Driven Vulnerability Triage for IoT Firmware: A Lightweight Pipeline for Risk Prioritization
本文提出了一种轻量级自动化管道，用于从物联网固件中提取SBOM并生成漏洞优先级评分，以提高固件安全风险评估的效率和准确性。
2026-01-04 cs.CR cs.NI
Beware of the App! On the Vulnerability Surface of Smart Devices through their Companion Apps
物联网（IoT）设备变得越来越重要。这些设备通常资源有限，阻碍了安全策略的严格执行。评估物联网设备的脆弱性是一个重要的问题，但由于各种原因，包括需要购买设备，分析其固件是困难的。本文发现，分析这些设备的配套应用程序以寻找安全漏洞的线索可能是一种有效的策略。与设备硬件和固件相比，这些应用程序易于下载和分析。这项研究的一个关键发现是，物联网设备与其应用程序之间的通信通常没有正确加密和身份验证，这些问题使得可以构建漏洞来远程控制设备。为了确认发现的漏洞，我们通过使用静态和动态分析的组合，针对Amazon的五种流行物联网设备创建了漏洞。我们还进行了一项更大规模的研究，发现分析96个流行的物联网设备只需要分析32个配套应用程序。在保守的调查结果中，50%的应用程序对应38%的设备没有使用适当的加密技术来保护设备与配套应用程序的通信。最后，我们讨论了开发人员可以适应的防御策略，以解决我们工作中的教训。
2019-01-29 cs.CR cs.SE
A Continent-Wide Assessment of Cyber Vulnerability Across Africa
随着非洲互联网普及率的提高，物联网（IoT）设备的普及也在增加。随着互联网接入的增长，网络攻击脆弱的物联网设备的风险在非洲网络空间中如雨后春笋般涌现。确定物联网漏洞的一种方法是在非洲的网络空间中找到开放的端口。我们的研究利用Shodan搜索引擎，这是一种用于发现面向公共互联网的物联网设备的强大工具，可以在非洲找到开放的端口。我们对我们的调查结果进行分析，从最容易受到网络攻击的国家到最不容易受到网络攻击的国家进行排名。我们发现，南非、突尼斯、摩洛哥、埃及和尼日利亚是非洲大陆最容易受到网络攻击的五个国家。此外，69.8%的设备具有五个最常见的开放互联网端口之一，过去记录了漏洞。根据我们的分析，我们得出结论，为公共和私营部门的政策建议。
2023-01-08 cs.CR cs.NI
Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines
The University of New South Wales (UNSW)（新南威尔士大学）；RMIT University（皇家墨尔本理工大学）
安全风险评估和预测对于部署物联网（IoT）设备的组织至关重要。企业的最低要求是验证物联网设备在国家漏洞数据库（NVD）中报告的漏洞的安全风险。本文提出了一种基于公开信息的物联网设备风险预测方法。我们的解决方案为各种规模的企业提供了一个简单且经济高效的解决方案，以预测部署新物联网设备的安全风险。在对过去八年的NVD记录进行广泛分析后，我们为易受攻击的物联网设备创建了一个独特、系统和平衡的数据集，包括关键技术特征，以及公共资源提供的功能和描述性特征。然后，我们使用机器学习分类模型，如梯度提升决策树（GBDT）在这个数据集上，并实现71%的预测准确率分类设备漏洞评分的严重性。
2021-11-23 cs.CR cs.LG
Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review
本文首次聚焦电力系统特性，全面综述了基于物联网的智能电网中机器学习应用的对抗性攻击与防御方法，分析了其脆弱性并展望了未来研究方向。
2023-12-25 cs.CR cs.SY eess.SY
Ethical Hacking for IoT Security: A First Look into Bug Bounty Programs and Responsible Disclosure
随着物联网安全事件的日益增多，物联网安全问题备受关注。物联网硬件和软件安全漏洞被利用，影响许多公司和个人。由于漏洞的原因超出了纯粹的技术措施，现在迫切需要揭开物联网“安全复杂性”的神秘面纱，并为公司，消费者和监管机构制定实用的指导方针。在本文中，我们提出了一项针对物联网中未探索领域的初步研究，阐明了众包道德黑客方法在增强物联网漏洞管理方面的潜力。我们专注于Bug Bounty Programs（BBP）和Responsible Disclosure（RD），这两个项目刺激黑客报告漏洞以换取金钱奖励。我们通过文献调查和专家访谈进行了定性调查，以探索BBP和RD如何以有效和具有成本效益的方式促进识别，分类，优先排序，修复和缓解物联网漏洞的实践。除了为物联网利益相关者制定切实的指导方针外，我们的研究还揭示了将BBP和RD与现有安全实践相结合的系统集成路径（例如，渗透测试），以进一步提高整体物联网安全性。
2019-09-24 cs.CR cs.CY
Automated Security Assessment for the Internet of Things
Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）；The University of Adelaide（阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
基于物联网（IoT）的应用面临着越来越多的潜在安全风险，需要系统地评估和解决。基于专家的物联网安全手动评估是一种主要方法，但通常效率低下。为了解决这个问题，我们提出了一个物联网网络的自动安全评估框架。我们的框架首先利用机器学习和自然语言处理来分析漏洞描述以预测漏洞度量。然后将预测的度量输入到两层图形安全模型中，该模型由上层的攻击图和底层的攻击树组成，上层用于表示网络的连通性，底层用于描述网络中每个节点的漏洞信息。该安全模型通过捕获潜在的攻击路径来自动评估物联网网络的安全性。我们使用一个概念验证的智能建筑系统模型来评估我们方法的可行性，该模型包含各种真实世界的物联网设备和潜在的漏洞。我们对所提出的框架的评估表明，它在自动预测新漏洞的漏洞度量方面具有有效性，平均准确率超过90%，并确定物联网网络中最脆弱的攻击路径。所产生的评估结果可作为网络安全专业人员采取进一步行动和及时降低风险的指南。
2021-09-09 cs.AI cs.CR cs.LG
Detecting Logic Vulnerabilities Across the Contract and Device Layers of Blockchain-Enabled IoT With Multi-Agent Heterogeneous Graph Attention
Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；Guangzhou University（广州大学）
针对区块链物联网中合约与设备层逻辑漏洞，提出多智能体异构图注意力框架MA-HGAT，统一建模多类工件，支持多种检测任务并实现轻量级边缘部署。
2026-09-17 cs.CR
Towards Weaknesses and Attack Patterns Prediction for IoT Devices
本文提出一个低成本平台，采用 Bi-LSTM 预测 IoT 设备弱点并结合 GBM 预测相关攻击模式，在 NVD 等数据集上验证了高准确性与可靠性，以支持部署前安全检查。
2024-08-23 cs.CR
LuaTaint: A Static Analysis System for Web Configuration Interface Vulnerability of Internet of Things Devices
针对物联网设备Web配置界面漏洞，提出结合静态污点分析与LLM的自动化检测系统LuaTaint，利用LLM修剪误报，在2447个固件样本中发现111个漏洞，检测精度达89.29%。
2024-11-04 cs.CR cs.SE
Predicting sensitive information leakage in IoT applications using flows-aware machine learning approach
本文提出了一种识别易受攻击的物联网应用程序的方法。该方法侧重于一类漏洞，导致敏感信息泄漏，可以通过使用污点流分析来识别。污染流漏洞受程序结构和代码中语句顺序的影响很大，设计检测此类漏洞的方法需要考虑这些信息，以便提供精确的结果。在本文中，我们提出并开发了一种方法FlowsMiner，除了程序的语句顺序之外，还可以从与程序结构相关的代码中挖掘功能，例如控制语句和方法。FlowsMiner，以污染流的形式生成特征。我们开发了Flows2Vec，这是一个将FlowsMiner恢复的特征转换为向量的工具，然后通过提供流的感知模型构建过程来帮助机器学习。由此产生的模型是能够准确地将应用程序分类为脆弱的，如果该漏洞是通过改变源代码中的语句顺序来表现的。实验结果表明，与基本的词袋（BagofWords，BoW）方法相比，该方法提高了所有算法的预测模型的AUC，其中Corpus1数据集的最佳情况从0.91提高到0.94，Corpus2数据集的最佳情况从0.56提高到0.96
2022-01-07 cs.CR cs.SE
A Comprehensive Analysis of Routing Vulnerabilities and Defense Strategies in IoT Networks
本文分析了物联网网络层的路由攻击风险，评估了信任机制、IDS和路由协议等防御策略，为设计轻量级安全物联网网络提供了综合防御机制的指导。
2024-10-17 cs.CR
Deployment Optimization of IoT Devices through Attack Graph Analysis
物联网（IoT）已成为我们工作和家庭生活中不可或缺的一部分。然而，这些物联网设备由于其低成本、低资源、供应商的多样性和专有固件而容易受到漏洞利用。此外，短距离通信协议（例如，蓝牙或ZigBee）为攻击者在组织内的横向移动提供了额外的机会。因此，IoT设备的类型和位置可能会显著改变组织网络的网络安全级别。在本文中，我们基于增强的攻击图分析来量化网络安全级别，该分析考虑了物联网设备的物理位置及其通信能力。我们使用深度优先分支定界（DFBnB）启发式搜索算法来解决两个优化问题：最小风险的完全部署（FDMR）和无风险恶化的最大效用（MURD）。提出了一种可容许的启发式算法来加速搜索。所提出的方法使用具有模拟物联网设备部署的真实网络进行评估。结果表明：（1）增强攻击图对量化组织内部署的物联网设备对安全性的影响的贡献，以及（2）优化物联网部署的有效性。
2019-04-11 cs.CR
UniBOM -- A Unified SBOM Analysis and Visualisation Tool for IoT Systems and Beyond
University of Oxford（牛津大学）
UniBOM是一种用于物联网系统及更广泛领域的统一SBOM分析与可视化工具，通过集成二进制、文件系统和源代码分析，提升漏洞检测与风险管理能力。
2025-11-27 cs.CR cs.SE
Thesis Deployment Optimization of IoT Devices through Attack Graph Analysis
物联网（IoT）已成为我们工作和家庭生活中不可或缺的一部分。然而，这些物联网设备由于其低成本、低资源、供应商的多样性和专有固件而容易受到漏洞利用。此外，短距离通信协议（例如，蓝牙或ZigBee）为攻击者在组织内的横向移动提供了额外的机会。因此，IoT设备的类型和位置可能会显著改变组织网络的网络安全级别。在这项工作中，我们基于增强的攻击图分析来量化网络安全级别，该分析考虑了物联网设备的物理位置及其通信能力。我们使用深度优先分支定界（DFBnB）启发式搜索算法来解决两个优化问题：最小风险的完全部署（FDMR）和无风险恶化的最大效用（MURD）。提出了一种可容许的启发式算法来加速搜索。所提出的方法使用具有模拟物联网设备部署的真实网络进行评估。结果表明：（1）增强攻击图对量化组织内部署的物联网设备对安全性的影响的贡献，以及（2）优化物联网部署的有效性。
2019-11-15 cs.CR
A framework for mitigating zero-day attacks in IoT
物联网（IoT）旨在提供每个计算实体之间的连接。然而，这种便利也导致了更多的网络威胁，这些威胁可能会利用一段时间内存在的漏洞。其中一个漏洞是零日威胁，它可能导致零日攻击，这对企业和网络安全都是有害的。在这篇文章中，提出了一项关于物联网网络零日威胁的研究，并提出了一个基于上下文图的框架，以提供减轻这些攻击的策略。所提出的方法使用一个分布式的诊断系统进行分类的上下文在中央服务提供商以及在本地用户站点。一旦识别出潜在的零日攻击，就使用关键的数据共享协议来传输警报消息并重新建立网络实体与IoT设备之间的信任。结果表明，分布式方法是能够有效地减轻零日威胁与33%和21%的改善方面的运营成本和通信开销，分别与集中式诊断系统相比。
2018-04-16 cs.CR cs.NI
Statistical Analysis of Executability and Program Equivalence in Decompilation for IoT Vulnerability Detection
College of Science and Technology, Nihon University（日本大学理工学部）；Waseda Institute for Advanced Study, Waseda University（早稻田大学高等研究院）；Graduate School of Informatics and Engineering, The University of Electro-Communications（电气通信大学信息工学研究科）
该研究针对物联网固件漏洞检测的反编译问题，提出九维质量评估指标，通过统计分析证明其可有效评估反编译质量，为物联网设备缺陷及黑盒生成模型质量评估提供基础。
2026-08-10 cs.CR cs.SE
Application of Blockchain Frameworks for Decentralized Identity and Access Management of IoT Devices
本研究提出一种基于 Hyperledger Fabric 和 DIDs 的物联网去中心化身份与访问管理框架，通过 Node-RED 模拟验证了其在提升数据完整性、透明度及减少中心化依赖方面的有效性。
2025-10-31 cs.CR
IoT Security: An End-to-End View and Case Study
在本文中，我们提出了物联网安全和隐私的端到端视图以及案例研究。我们的贡献是三方面的。首先，我们提出了物联网系统的端到端视图，该视图可以指导物联网系统的风险评估和设计。我们确定了10个与安全和隐私相关的基本物联网功能。基于这一观点，我们系统地提出了物联网系统、软件、网络和云中大数据分析方面的安全和隐私要求。其次，使用物联网安全和隐私的端到端视图，我们提出了Edimax IP摄像机系统的漏洞分析。我们是第一个利用这个系统的人，并且已经确定了可以完全控制制造商所有摄像头的各种攻击。我们的真实实验证明了所发现的攻击的有效性，并再次为物联网制造商敲响了警钟。第三，在Edimax摄像头和我们之前对Edimax智能插头的利用中发现的漏洞可能会导致另一波Mirai攻击，这可能是僵尸网络或蠕虫攻击。为了系统地了解Mirai恶意软件的破坏，我们对Mirai的传播进行了建模，并使用模拟来验证建模。本文中的工作再次为物联网设备制造商敲响了警钟，以更好地保护其产品，以防止像Mirai这样的恶意软件攻击。
2018-05-15 cs.CR
Consumer, Commercial and Industrial IoT (In)Security: Attack Taxonomy and Case Studies
物联网（IoT）设备在我们的生活中变得无处不在，应用范围从消费领域到商业和工业系统。物联网设备的急剧增长和广泛采用加强了设备开发生命周期中健全和强大的网络安全实践的重要性。物联网相关的漏洞如果被成功利用，不仅会影响设备本身，还会影响物联网设备运行的应用领域。显然，查明和解决每一个脆弱性是一项艰巨的任务，如果不是不可能的话。攻击分类法可以帮助对攻击及其相应的漏洞进行分类。然后，可以利用安全对策和最佳实践来缓解威胁和漏洞，以免它们成为灾难性攻击，并确保整体安全的物联网操作。因此，在本文中，我们提供了一种攻击分类，该分类考虑了物联网堆栈的不同层，即，设备、基础设施、通信和服务，以及每一层可被对手利用的指定特征。此外，我们还使用了9起针对消费者、商业和工业部门部署的物联网设备的真实网络安全事件，描述了物联网相关的漏洞、利用程序、攻击、影响以及潜在的缓解机制和保护策略。这些（以及许多其他）事件突出了物联网系统的潜在安全问题，并展示了此类互联生态系统的潜在攻击影响，而拟议的分类法提供了一个系统化的程序，根据受影响的层和相应的影响对攻击进行分类。
2021-05-14 cs.CR
TOCTOU Resilient Attestation for IoT Networks (Full Version)
针对物联网设备安全关键功能面临的TOCTOU漏洞、高延迟等问题，提出TRAIN技术，实现TOCTOU窗口最小化、恒定时间证明及多妥协设备下的弹性，并通过原型验证可行性。
2025-02-12 cs.CR
Is Your Kettle Smarter Than a Hacker? A Scalable Tool for Assessing Replay Attack Vulnerabilities on Consumer IoT Devices
本文提出REPLIOT工具，自动测试消费物联网设备的重放攻击漏洞，发现51%设备不支持本地连接，75%的其余设备易受攻击，检测准确率达0.98-1。
2024-04-20 cs.CR
SyzTrust: State-aware Fuzzing on Trusted OS Designed for IoT Devices
针对物联网可信操作系统闭源、反馈难及有状态工作流复杂的问题，提出 SyzTrust 硬件辅助状态感知模糊测试框架，显著提升覆盖率并发现 70 个漏洞。
2023-09-26 cs.CR
argXtract: Deriving IoT Security Configurations via Automated Static Analysis of Stripped ARM Binaries
最近对物联网（IoT）的高调攻击已经将“智能”设备的脆弱性带到了最前沿，并导致了许多以IoT为重点的安全分析。许多攻击的根本原因是设备配置薄弱。有关IoT设备配置的丰富和明确信息的一个潜在来源是设备的固件。然而，固件分析是复杂的，并且自动化固件分析迄今为止仅限于具有更传统的操作系统（诸如Linux或Linux Works）的设备。由于缺乏传统的操作系统和实施各种通信技术，大多数物联网外围设备只是小规模分析的对象。由于此类固件文件主要以剥离的二进制文件形式提供，没有可以简化逆向工程的ELF标头和符号表，因此外围固件分析变得更加复杂。在本文中，我们介绍了argXtract，一个开源的自动化静态分析工具，它从剥离的物联网外围固件中提取安全相关的配置信息。具体来说，我们专注于针对ARM Cortex-M架构的二进制文件，因为它在物联网外设中越来越受欢迎。argXtract克服了与剥离的Cortex-M分析相关的挑战，能够检索与安全相关的管理程序和函数调用的参数，从而实现对固件文件的自动批量分析。我们通过三个真实世界的案例研究来证明这一点。最大的案例研究涵盖了针对Nordic Semiconductor芯片组的243个蓝牙低功耗二进制文件的数据集，而另外两个案例研究则侧重于Nordic ANT和STMicroelectronics BlueNRG二进制文件。结果显示，物联网普遍缺乏安全和隐私…
2021-05-07 cs.CR
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
How Secure is Distributed Convolutional Neural Network on IoT Edge Devices?
Tennessee Technological University（田纳西理工大学）
卷积神经网络（CNN）已在许多应用中获得成功。在资源受限的边缘设备上部署CNN已被证明具有挑战性。采用了跨不同边缘设备的CNN分布式部署。在本文中，我们提出了木马攻击CNN部署在一个分布式的边缘网络在不同的节点。我们提出了五种分布式CNN推理的隐形攻击场景。这些攻击分为触发电路和有效载荷电路。这些攻击在深度学习模型（LeNet，AlexNet）上进行了测试。结果显示了各个层的脆弱性程度以及它们对最终分类的重要性。
2020-06-16 cs.CR cs.CV
Analyzing The Mirai IoT Botnet and Its Recent Variants: Satori, Mukashi, Moobot, and Sonic
本文详细分析了Mirai物联网僵尸网络及其四个知名变种的攻击方法、影响与感染机制，总结其针对的常见漏洞并提出防御方向，为IoT安全防护提供参考。
2025-08-03 cs.CR
PETIoT: PEnetration Testing the Internet of Things
Royal Holloway University of London（伦敦大学皇家霍利威学院）
PETIoT通过结合攻击与防御步骤，为物联网设备的渗透测试提供了一种新的网络杀伤链框架，并成功发现并修复了三个零日漏洞。
2023-02-09 cs.CR
Security Analytics of Network Flow Data of IoT and Mobile Devices (Work-in-progress)
考虑到安全威胁和隐私泄露在今天是常见的，对于人们来说，知道他们的设备是否处于“良好的安全状态”或者是否存在需要解决的一组高风险漏洞是一个重要的问题。在本文中，我们解决了这个简单但具有挑战性的问题。我们依靠离线和实时收集的网络日志和事件，而不是获得对设备的白盒访问，这会带来隐私和其他系统问题。我们的方法是将分析和机器学习应用于网络安全分析，以及对整个设备（应用程序、操作系统和设备上的数据）安全性的分析。我们提出了基于分析的技术，以确定设备的敏感性，应用程序和设备的漏洞等级，应用程序和设备的危害程度，以及如何根据这些指标定义设备的安全状态。这样的度量可以进一步用于机器学习模型中，以便预测高风险状态的设备的用户以及如何避免这样的风险。
2017-04-10 cs.CR
How Secure Is Your IoT Network?
物联网设备在灵巧家庭、医院和企业网中的扩散非常普遍，并以超线性的方式持续增长。随着这种前所未有的增长，如何全面评估物联网网络的安全性？在本文中，我们将探索安全评估的两个维度，使用物联网设备及其底层组件的漏洞信息（$\textit{compositional security scores}$）和从网络中此类设备的通信和操作中捕获的SIEM日志（$\textit{dynamic activity metrics}$），提出$\textit{attack circuit}$的概念。这些措施用于评估物联网设备和整个物联网网络的安全性，证明攻击电路作为计算异构网络安全指标（可利用性，影响和机密性，完整性和可用性风险）的实用工具的有效性。我们提出了使用自然语言处理（NLP）和使用标准的安全评分程序计算的权重，以及有效的优化方法评估攻击电路的输入/输出对生成攻击电路。我们的系统可以根据攻击者的可利用性、影响或整体风险，深入了解攻击者可能利用的攻击路径。我们已经在物联网网络上进行了实验，以证明所提出的技术的有效性。
2019-12-28 cs.CR cs.NI
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
Social Media Monitoring for IoT Cyber-Threats
University of the Peloponnese（伯罗奔尼撒大学）
物联网应用的快速发展及其在日常生活各个领域的使用导致了不同可能的网络威胁数量的增加，因此提高了保护物联网设备的需求。收集网络威胁情报（例如，零日漏洞或趋势漏洞），并利用它来主动保护物联网系统或准备缓解方案已被证明是一个有前途的方向。在这项工作中，我们专注于社交媒体监控，并从Twitter流中调查实时网络威胁情报检测。最初，我们比较并广泛评估了六种不同的基于机器学习的分类方法，这些方法使用漏洞描述进行了训练，并使用Twitter流中的真实数据进行了测试，以确定最适合的解决方案。随后，根据我们的研究结果，我们提出了一种针对物联网领域的新型社交媒体监控系统;该系统允许用户识别物联网设备上的最近/趋势漏洞和漏洞。最后，为了帮助该领域的研究并支持我们结果的可重复性，我们公开发布了在此过程中创建的所有注释数据集。
2021-09-09 cs.CR cs.LG
Securing the Future: Proactive Threat Hunting for Sustainable IoT Ecosystems
Carleton University（卡尔顿大学）
本文针对物联网设备安全问题，提出将主动威胁狩猎结合CVSS类安全指标集成到消费平台的策略，可提前清除威胁、延长设备寿命、提升用户安全意识，助力构建安全可持续的物联网生态。
2024-06-21 cs.AI cs.CR cs.CY
A Lightweight and Scalable Physical Layer Attack Detection Mechanism for the Internet of Things (IoT) Using Hybrid Security Schema
物联网，也被称为IoT，是指现在世界各地连接到互联网，收集和共享数据的数十亿设备。通过物联网传感器收集的数据量必须完全安全地控制。为了保护物联网传感器收集的信息，提出了一种轻量级的方法，称为发现洪水攻击-RPL（DFA-RPL）。建议DFA-RPL方法识别入侵节点在几个步骤中，以排除他们继续路由操作。因此，在DFA-RPL方法中，首先建立一个簇，并在DODAG中选择最合适的节点作为簇头，然后，由于RPL协议容易受到Flooding攻击，因此使用蚁群算法（ACO）分五步检测攻击。使用Flooding防止IoT网络上的恶意活动。换句话说，如果它检测到一个节点是恶意的，它会将该节点放在拘留列表中，并将其拘留一段时间。仿真结果表明，与IRAD和REATO方法相比，该方法在数据包传输率、检测率、误报率和漏报率等方面都具有一定的优越性。
2021-03-31 cs.CR cs.NI
Network Reconnaissance and Vulnerability Excavation of Secure DDS Systems
Distribution Service（DDS）是一种实时对等协议，可用作许多工业物联网领域（如汽车、医疗、能源和国防）中分布式网络系统之间的可扩展中间件。自该标准最初获得批准以来，规范引入了安全模型和服务插件接口（SPI）架构，促进了身份验证加密和以数据为中心的访问控制，同时保持了可互操作的数据交换。然而，作为安全DDS v1.1，默认插件规范目前在加密握手期间以明文交换两个参与者的数字签名能力列表以进行许可证明;因此违反了连接上下文的机密性。在这项工作中，我们提出了一个攻击者模型，利用这个泄漏的上下文提供的网络侦察结合形式化验证和模型检验任意理由的底层拓扑结构和可达性的信息流，使有针对性的攻击，如选择性拒绝服务，对抗分区的数据总线，或供应商实现的漏洞挖掘。
2019-08-14 cs.CR cs.NI
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University（韦仕敦大学）
对互联网的依赖增加以及相应的连接需求激增导致物联网（IoT）设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加，因为潜在的攻击面越来越多，最近的报告显示，物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次，增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此，需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习（ML）已经成为一种潜在的解决方案，因为物联网设备和网络生成了大量的数据。因此，它们有很大的潜力被用于物联网环境的入侵检测。为此，本文提出了一种优化的基于ML的框架，该框架由贝叶斯优化高斯过程（BO-GP）算法和决策树（DT）分类模型的组合组成，以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明，该优化框架具有较高的检测准确率、查准率、查全率和F-score，突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
Towards Robust Personalized Federated Learning: Vulnerability Assessment and Defense Co-Design
East China Normal University（华东师范大学）
本文发现个性化联邦学习（PFL）方法比集中学习更易受基于迁移的对抗攻击，并通过理论分析和实验验证，提出结合随机输入噪声、输入缩放迹正则化和参数灵敏度最大化的防御框架。
2026-06-23 cs.CR cs.LG
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
TORCHLIGHT: Shedding LIGHT on Real-World Attacks on Cloudless IoT Devices Concealed within the Tor Network
本研究开发了TORCHLIGHT工具，通过分析Tor流量检测针对无云IoT设备的威胁，12个月内分析26TB流量，揭示45个漏洞（含29个零日漏洞），影响148国约1271万台设备。
2025-01-28 cs.CR
Efficient, Flexible and Secure Group Key Management Protocol for Dynamic IoT Settings
许多物联网（IoT）场景需要与具有类似功能的多个设备进行通信并从其获取数据采集。对于这样的场景，组播和广播形式的组通信已被证明是有效的。组密钥管理（GKM）涉及到处理、撤销、更新和向各个组的成员分发加密密钥。经典的GKM方案在动态物联网环境中效率低下，动态物联网环境是指节点经常离开或加入网络或随着时间从一个组迁移到另一个组的环境。最近，在动态IoT环境中已经提出了用于GKM的“GroupIt”方案。然而，该方案有几个局限性，如易受共谋攻击，使用计算昂贵的非对称加密和威胁到系统的后向保密性。在本文中，我们提出了一种用于动态物联网设置的高效安全的GKM协议，该协议始终保持前向和后向保密。我们提出的协议只使用对称加密，是完全抵抗共谋攻击。此外，我们的协议是高度灵活的，可以处理几个新的情况下，设备或用户动态可能发生，例如，允许设备组加入或离开网络，或者创建或解散用户组，这些都不是现有文献中提出的方案所处理的。我们通过广泛的数学分析和数值计算来评估所提出的协议的性能，并表明它在用户和设备所产生的通信和计算成本方面优于GroupIt方案。
2020-08-16 cs.CR cs.NI
CERTIoT-6G: Continuous Cybersecurity Certification for IoT Devices in 5G/6G Networks
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）
针对物联网设备在5G/6G网络中面临的网络安全与监管认证难题，本文提出CERTIoT-6G安全即服务框架，可自动化认证与持续合规监控，经验证其影响可忽略且能识别合规缺口。
2026-08-25 cs.CR 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
A Deep Learning-based Fine-grained Hierarchical Learning Approach for Robust Malware Classification
物联网（IoT）在家庭和工业应用中的广泛接受伴随着几个安全问题。一个主要的安全问题是它们可能被对手滥用，以达到其恶意目的。了解和分析物联网恶意行为至关重要，特别是随着它们在广泛应用中的快速增长和采用。然而，最近的研究表明，基于机器学习的方法容易受到对抗攻击，例如，通过向二进制文件中添加垃圾代码，意图欺骗那些基于机器学习或深度学习的检测系统。意识到解决这一挑战的重要性，本研究提出了一个恶意软件检测系统，是强大的对抗攻击。要做到这一点，请检查最先进的方法对使用图嵌入和增强技术制作的对抗性物联网软件的性能。特别是，我们研究了这种方法对两种黑盒对抗方法GEA和SGEA的鲁棒性，以减少开销并保持其实用性不变的方式生成对抗示例（AE）。我们与基于GEA的AE的综合实验显示了误分类与注入样本的图大小之间的关系。经过优化和小扰动，通过使用SGEA，所有物联网恶意软件样本都被错误分类为良性。这凸显了当前检测系统在对抗性环境下的脆弱性。随着景观可能的对抗攻击，我们然后提出DL-FHMC，细粒度的分层学习方法的恶意软件检测和分类，这是强大的AE检测能力的88.52%的恶意AE。
2020-05-15 cs.CR
Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security
University of New Mexico（新墨西哥大学）；Florida International University（佛罗里达国际大学）；Florida Atlantic University（佛罗里达大西洋大学）；University of Washington（华盛顿大学）；Islamic Azad University（伊斯兰阿扎德大学）
本文调研了物联网安全领域基于机器学习的入侵检测策略最新研究，梳理相关研究并分类，指出现有研究空白与框架局限，为未来研究提供参考。
2024-10-06 cs.CR cs.LG
Machine Learning Based Network Vulnerability Analysis of Industrial Internet of Things
保护工业物联网（IIoT）设备至关重要，因为一旦发生攻击，可能会造成破坏性后果。机器学习和大数据分析是分析和保护物联网（IoT）技术的两个强大杠杆。通过扩展，这些技术也可以帮助提高IIoT系统的安全性。在本文中，我们首先介绍了常见的IIoT协议及其相关漏洞。然后，我们运行一个网络脆弱性评估，并讨论利用机器学习来对抗这些脆弱性。接着，文献回顾了现有的入侵检测解决方案，使用机器学习模型。最后，我们讨论了我们的案例研究，其中包括一个真实世界的测试平台，我们已经建立了进行网络攻击和设计的入侵检测系统（IDS）的细节。我们部署后门，命令注入和结构化查询语言（SQL）注入攻击系统，并演示如何基于机器学习的异常检测系统可以很好地检测这些攻击。我们已经通过代表性的指标来评估性能，以便对方法的有效性有一个公正的观点。
2019-11-13 cs.CR cs.LG cs.NI
LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT
The University of Hong Kong（香港大学）；Simon Fraser University（西蒙菲莎大学）
LiFeChain通过轻量区块链技术，结合PoMC共识与Seg-ZA仲裁，有效提升物联网中联邦终身学习的安全性与效率，减少延迟和存储开销。
2026-03-30 cs.CR cs.DC
Digit Recognition From Wrist Movements and Security Concerns with Smart Wrist Wearable IOT Devices
University of Hawaii（夏威夷大学）
在本文中，我们调查了一个潜在的安全漏洞与手腕可穿戴设备。常见可穿戴设备上的硬件组件包括加速度计和陀螺仪以及其他传感器。我们证明了加速度计和陀螺仪可以拾取足够的独特手腕运动信息来识别用户正在写入的数字。利用400个书写样本的数据集，无论是数字0还是数字1，我们构建了一个机器学习模型，以根据手腕的运动正确识别正在书写的数字。我们的模型在一个看不见的测试集上的表现导致了受试者工作特征（AUROC）曲线下面积为1.00。将我们的模型加载到我们制造的设备上，在实时预测十个写入样本时，准确率达到100%。该模型通过手腕运动和方向变化正确识别所有手指的能力引起了安全问题。我们的研究结果表明，不法分子可能能够从手腕可穿戴设备中获得敏感的数字信息，如社会保障，信用卡和医疗记录号码。
2020-04-22 cs.CR cs.LG stat.ML
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
