Privacy-Patterns for IoT Application Developers
设计物联网（IoT）应用程序（app）是一项挑战，因为这些应用程序部署在其上的系统具有异构性。通常被归类为敏感的个人数据可能会被物联网应用程序收集和分析，预计数据隐私法将保护这些信息。已经存在各种方法来支持隐私设计（PbD）计划，使开发人员能够在应用程序开发的设计阶段考虑数据隐私。然而，由于可理解性和解释性的挑战，开发人员并没有广泛采用这些方法。目前存在有限数量的工具来帮助开发人员在这种情况下-导致我们的建议“鹦鹉”（隐私设计工具的物联网）。PARROT支持多种技术，以使PbD技术得到更广泛的应用。我们提出了一项对照研究的结果，并讨论了这种隐私保护工具如何提高物联网开发人员应用隐私法（如GDPR）和隐私模式的能力。我们的学生证明了PARROT原型工具提高了设计中隐私要求的意识，并增加了后续设计对数据隐私要求更加敏感的可能性。
2022-10-04 cs.CR cs.NI
A Privacy Scheme for Monitoring Devices in the Internet of Things
足够强大的安全和隐私机制是积累物联网技术的潜在好处并将该技术融入我们日常生活的先决条件。本文介绍了一种新的网络隐私方法，这种方法特别适合物联网的特点。我们的一般方法是基于不断改变物联网节点的识别属性。特别是，这项工作中提出的方案是基于改变物联网节点的IP地址，因为IP地址的变化模式对非预期的观察者来说是随机的，所以对手无法识别特定传输的源或目的地。因此，携带由特定节点生成的信息的分组不能链接在一起。该方案提供了额外的安全优势，包括DoS缓解，相对容易实现，并且不需要改变现有的网络基础设施。我们讨论了该计划的实施细节，并评估其性能。
2018-03-12 cs.NI
IoTrace: A Flexible, Efficient, and Privacy-Preserving IoT-enabled Architecture for Contact Tracing
接触者追踪有望通过早期发现可能的传染事件，帮助抗击新冠肺炎的传播。为此，大多数现有的解决方案共享以下架构：智能手机不断广播随机信标，这些信标被附近的设备拦截并存储到其本地联系人日志中。在本文中，我们提出了一种支持物联网的联系人追踪架构，放宽了以智能手机为中心的假设，并提供了一种具有以下功能的解决方案：（i）它将最终用户的开销减少到最低限度--移动终端仅广播其信标;（ii）它为用户提供了竞争解决方案所没有达到的隐私程度-即使在最不利于隐私的情况下，该解决方案也提供了k-匿名;以及（iii）它是灵活的：相同的体系结构可以被配置为支持几种模型--从完全分散的到完全集中的模型--并且可以调整系统参数以支持跟踪几种社会交互模型。我们还强调开放的问题，并讨论了一些未来的研究方向。
2021-01-02 cs.CR cs.NI
On Lightweight Privacy-Preserving Collaborative Learning for IoT Objects
Nanyang Technological University（南洋理工大学）
物联网（IoT）将成为实现更好系统智能的主要数据生成基础设施。本文考虑了一个实用的隐私保护的协作学习方案的设计和实现，其中一个好奇的学习协调器训练一个更好的机器学习模型的基础上，由一些物联网对象贡献的数据样本，而原始形式的训练数据的机密性是保护协调器。现有的分布式机器学习和数据加密方法会产生大量的计算和通信开销，使其不适合资源受限的IoT对象。我们研究了一种方法，该方法在每个物联网对象上应用独立的高斯随机投影来混淆数据，并基于来自物联网对象的投影数据在协调器上训练深度神经网络。这种方法为物联网对象引入了少量的计算开销，并将大部分工作负载转移到具有足够计算资源的协调器。虽然物联网对象执行的独立投影解决了好奇的协调器和一些受损的物联网对象之间的潜在勾结，但它们显着增加了投影数据的复杂性。在本文中，我们利用深度学习在捕获复杂模式方面的卓越学习能力来保持良好的学习性能。广泛的比较评估表明，这种方法优于其他轻量级的方法，应用加性噪声差分隐私和/或支持向量机学习的应用程序与轻数据模式的复杂性。
2019-02-13 cs.LG cs.NI
IoTScanner: Detecting and Classifying Privacy Threats in IoT Neighborhoods
在新兴的物联网（IoT）的背景下，可以预期无线连接的激增。无处不在的无线通信将难以集中管理和控制，并且可以预期对最终用户是不透明的。因此，物理空间的所有者和使用者可能会失去对数字环境的控制。在这项工作中，我们提出了物联网扫描器的想法。IoTScanner集成了一系列无线电，允许对现有无线基础设施和参与节点进行本地侦察。它列举了这些设备，识别连接模式，并为技术支持和家庭用户提供了有价值的见解。使用我们的IoTScanner，我们尝试使用简单的分类法将主动流式IP摄像机与其他非摄像机设备进行分类。我们表明，我们的分类方法在由大量物联网设备组成的物联网环境中实现了高准确性。虽然相关的工作通常集中在检测基础设施，或窃听流量从一个特定的节点，我们专注于提供一个总体概述的操作在所有观察到的网络。我们并不假设事先知道使用的SSID、预共享密码或类似信息。
2017-01-18 cs.CR cs.NI
A survey of security and privacy issues in the Internet of Things from the layered context
物联网（IoT）是一种新颖的范例，其不仅便于大量设备通过互联网无处不在地连接，而且还提供了远程控制这些设备的机制。物联网无处不在，几乎是我们日常生活中不可或缺的一部分。随着设备的连接越来越紧密，隐私和安全问题变得越来越重要，这些问题需要紧急解决。物联网实施和设备非常容易受到威胁，这些威胁可能会危及消费者的安全和隐私，从而影响其实际部署。最近，已经进行了一些研究来保护物联网设备，旨在减轻用户的安全担忧。本文的目的是强调物联网系统中的安全和隐私问题。为此，本文研究了物联网协议栈中每一层的安全问题，确定了潜在的挑战和关键的安全要求，并简要概述了现有的安全解决方案，以保护物联网免受分层环境的影响。
2020-02-25 cs.CR cs.NI
Security, Privacy and Ethical Concerns of IoT Implementations in Hospitality Domain
物联网（IoT）在过去十年中一直在崛起，因为它在各个领域都有应用。酒店业是采用这种技术来创建新型服务的先驱行业之一，例如智能酒店客房，个性化服务等。酒店，餐厅，主题公园和游轮是一些特定的应用领域，通过使用适当的传感器和执行器创建强烈的交互环境和数据汇集来提高客户满意度。然而，在酒店环境中应用物联网解决方案存在一些独特的挑战，例如设备的物理访问。此外，由于这些领域的性质，客户处于这些物联网技术的中心，导致从他们那里收集大量的数据汇集。这些数据及其管理以及商业目的也引起了对隐私和道德考虑的新关注。因此，本文调查和分析了物联网设备使用的安全、隐私和道德问题，重点关注酒店业。我们探讨了一些典型的用途，案例，潜在的问题和解决方案，以有助于更好地理解和指导该行业的企业经营者。
2020-09-21 cs.CR cs.NI
DistPrivacy: Privacy-Aware Distributed Deep Neural Networks in IoT surveillance systems
随着智慧城市的出现，物联网（IoT）设备以及深度学习技术的采用率越来越高。为了支持这种范式在内存和计算方面的需求，引入了具有物联网协同作用的联合实时深度协同推理框架。然而，深度神经网络（DNN）的分布引起了人们对敏感数据的隐私保护的关注。在这种情况下，已经出现了各种威胁，包括黑盒攻击，其中恶意参与者可以准确地恢复馈送到其设备中的任意输入。在本文中，我们介绍了一种方法，旨在通过重新思考的分发策略，在不增加任何计算开销，以确保敏感数据。首先，我们研究了模型结构的特点，使其容易受到隐私威胁。我们发现，我们将模型特征映射划分到大量设备中的次数越多，我们就越好地隐藏原始图像的属性。我们将这样一种方法，即DistPrivacy，作为一个优化问题，我们在协同推理的延迟、数据的隐私级别和物联网参与者的有限资源之间建立了一个权衡。由于问题的NP难度，我们引入了一个在线启发式算法，支持异构物联网设备以及多个DNN和数据集，使普适系统成为隐私感知和低决策延迟应用程序的通用平台。
2020-10-25 cs.DC cs.NI
A Survey on Security and Privacy Issues in Edge Computing-Assisted Internet of Things
物联网（IoT）是一种创新的范式，旨在提供大量的应用程序，这些应用程序现在已经成为我们日常生活的一部分。数以百万计的智能设备部署在复杂的网络中，以提供包括通信、监控和控制关键基础设施在内的充满活力的功能。然而，物联网设备的大规模增长以及在网络边缘产生的相应的巨大数据流量，由于带宽和资源稀缺，给最先进的集中式云计算范式带来了额外的负担。因此，边缘计算（EC）正在成为一种创新战略，将数据处理和存储带到终端用户附近，从而产生所谓的EC辅助物联网。虽然这种模式提供了独特的功能和增强的服务质量（QoS），但它也在数据安全和隐私方面引入了巨大的风险。本文对EC辅助物联网背景下的安全和隐私问题进行了全面调查。特别是，我们首先概述了EC辅助物联网，包括定义，应用，架构，优势和挑战。其次，我们在EC辅助物联网的背景下定义安全和隐私。然后，我们广泛讨论了EC辅助物联网中的主要攻击分类，并提供了可能的解决方案和对策以及相关的研究工作。在此之后，我们进一步分类的一些安全和隐私问题，在文献中讨论的基础上的安全服务和安全目标和功能的基础上。最后，还广泛提供了安全EC辅助物联网范式的几个开放挑战和未来的研究方向。
2020-08-05 cs.CR cs.NI
Semantics-based Privacy by Design for Internet of Things Applications
随着物联网（IoT）技术在日常生活中变得越来越普遍，隐私问题变得越来越突出。这项研究的目的是开发一个个人助理，可以回答软件工程师在物联网系统开发的设计阶段关于设计隐私（PbD）实践的问题。语义Web技术用于对PbD测量的基础知识、其与隐私模式的交叉点、物联网系统要求以及应在物联网系统中应用的隐私模式进行建模。这是通过开发PARROT本体来实现的，该本体是通过一组与软件开发人员相关的代表性物联网用例开发的。通过一系列研讨会收集能力问题（CQ），从而产生了81个策划的CQ。然后将这些CQ记录为SPARQL查询，并在Protégé HermiT Reasoner和Ontology Pitfall Scanner（OOPS！）的帮助下使用Common Pitfalls模型对开发的本体进行评估，以及外部专家的评估。本体内的用户研究，确定PARROT本体可以回答高达58%的软件工程师的隐私相关的问题进行了评估。
2022-10-04 cs.CR cs.NI
A Solution for Controlling and Managing User Profiles based on Data Privacy for IoT Applications
物联网是一个新兴领域，我们预计到2020年将有数十亿台设备连接到互联网。物联网应用可以通过智能对象的互连和协作为环境、社会和经济带来许多好处。然而，存在许多隐私挑战，例如身份验证、授权和个人数据的机密性。考虑到这一点，我们开发了一种基于隐私和演进的用户简档管理解决方案。为此，我们定义了每个环境的标准和特征。这项工作的贡献也适用于UbiPri中间件的发展，根据环境的规则实现和测试了一个模块，以便他们可以根据他们在环境中的频率随着时间的推移修改用户的配置文件。修改后的轮廓可以升高、降低和阻塞。此实现已使用执行概率模拟和用户身份验证的脚本进行了验证。从分配给环境的规则中，可以看出实现的高度适应性，并且可以轻松地调整到任何想要处理环境和用户的身份验证和隐私的物联网环境。实验结果令人满意，对UbiPri中间件的发展和相关工作具有一定的参考价值。
2019-10-18 cs.DC cs.NI
Convergence of 5G with Internet of Things for Enhanced Privacy
在本文中，我们讨论了第五代（5G）驱动的物联网（IoT）和相关技术中的隐私问题，同时与以前的通信技术和5G中未解决的问题进行了比较。首先，概述了5G驱动的物联网，详细介绍了这两种技术，并最终导致第五代将面临的问题。还介绍了有关5G的详细信息，同时将其与以前的技术进行比较。提出了5G的架构，因此解释了5G的层以及组成这些层的SDN，NFV和云计算等技术。基于5G的物联网架构也被提出来提供视觉理解，并根据它如何解决4G中存在的问题进行解释。隐私在5G驱动的物联网中得到了强调，同时详细介绍了SDN、NFV和云计算如何帮助消除这一问题。将提出的问题与基于4G的物联网进行比较，并提供有关缓解这些问题的解决方案，特别是带宽和安全性。此外，4G和5G技术用于处理物联网中隐私问题的技术以表格的形式简要介绍。论文还详细介绍了使5G成为可能的技术，同时解释了这些技术如何解决5G中的隐私问题。
2021-07-03 cs.CR cs.NI
Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy
University of Pittsburgh（匹兹堡大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
物联网（IoT）设备正变得越来越流行，并正在影响许多应用领域，如医疗保健和交通运输。这些设备用于传感器监控、实时控制等实际应用。在这项工作中，我们着眼于基于差分私有（DP）神经网络（NN）的网络入侵检测系统（NIDS），以检测对此类物联网设备网络的入侵攻击。该领域中现有的NN训练解决方案要么忽略隐私考虑，要么假设隐私要求在所有用户中是同质的。我们发现，现有的差分私有随机方法的性能降低客户端的数据分布不相同时，客户端的隐私要求是异构的。我们定义了一个基于队列的$(ε,δ)$-DP框架，该框架对具有不同客户端和异构隐私要求的物联网设备队列的更实际设置进行建模。我们提出了两种新的基于连续学习的DP训练方法，旨在提高上述设置中的模型性能。据我们所知，我们是第一个采用基于持续学习的方法来处理客户隐私要求异质性的系统。我们在真实数据集上评估了我们的方法，并表明我们的技术优于基线。我们还表明，我们的方法是强大的超参数变化。最后，我们表明，我们提出的方法可以很容易地适应事后放松客户端的隐私要求。
2021-01-25 cs.DC cs.LG cs.NI
Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities
Western University（西安大略大学）
针对物联网网络中传统集中式安全方法难以平衡隐私保护与实时威胁检测的问题，提出联邦学习驱动的网络安全框架，利用本地模型训练、同态加密聚合及RNN异常检测，实现98%以上威胁检测准确率并降低20%资源消耗，提供可扩展隐私保护方案。
2025-02-14 cs.CR cs.LG cs.NI
Internet of Things: Infrastructure, Architecture, Security and Privacy
物联网（IoT）是本世纪的新兴技术之一，其各个方面，如基础设施，安全性，架构和隐私，在塑造数字化世界的未来方面发挥着重要作用。物联网设备通过传感器连接，对数据及其安全性有重大影响。在这项研究中，我们使用物联网的物联网五层架构来解决物联网支持的服务和应用的安全和隐私问题。此外，物联网的基础设施，体系结构，安全性和异构对象的隐私进行了详细的调查。本文确定了物联网领域的主要挑战;其中之一是在通过传感器访问对象时保护数据。这项研究倡导在每一层保护物联网生态系统的重要性，从而增强连接设备和生成数据的整体安全性。因此，本文提出了一个安全模型，供物联网设备、应用和服务的研究人员、制造商和开发人员使用。
2018-07-11 cs.CY cs.NI
SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks
Sir Syed CASE Institute of Technology（Sir Syed CASE 理工学院）；Habib University（哈比布大学）；Yeunganam University（延世南大学）；University of Nottingham Ningbo China（诺丁汉大学宁波分校）；Korea University（高丽大学）
SecureDyn-FL通过动态梯度审计、安全聚合和个性化学习，提升物联网入侵检测的隐私保护和鲁棒性。
2026-01-10 cs.CR cs.NI
DAXiot: A Decentralized Authentication and Authorization Scheme for Dynamic IoT Networks
本文提出DAXiot，一种基于去中心化标识符与可验证凭证的挑战-响应式认证授权方案，支持动态参与者的去中心化权限管理和认证加密，并在MQTT 5.0中验证其安全、隐私与性能。
2023-07-15 cs.CR 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
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
Machine and Deep Learning for IoT Security and Privacy: Applications, Challenges, and Future Directions
Institute of Information and Communication Technology (IICT), Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学信息与通信技术研究所）
物联网（IoT）的集成将许多智能设备连接起来，最大限度地减少了人为干扰，可以相互交互。物联网正在计算机科学领域迅速兴起。然而，部署此类计划所涉及的多学科元素和物联网系统的交叉设计带来了新的安全问题。无效的是安全协议的实施，即，物联网系统的认证、加密、应用程序安全和接入网络以及它们在安全方面的基本弱点。当前的安全方法也可以得到改进，以有效保护物联网环境。近年来，深度学习（DL）/机器学习（ML）在各种关键实现中取得了显著进展。因此，DL/ML方法对于将物联网系统保护从简单地实现物联网系统之间的安全联系转变为安全的智能系统至关重要。本文旨在对ML系统进行广泛的分析，并对DL方法的最新发展进行分析，以改进增强的物联网设备保护方法。另一方面，物联网证券在机器和深度学习方面的各种新见解说明了它如何帮助未来的研究。识别与新兴或基本威胁相关的物联网保护风险，以及未来的物联网设备攻击和与每个表面相关的可能威胁。然后，我们仔细分析了DL和ML物联网保护方法，并介绍了每种方法的优点、可能性和弱点。本次审查讨论了一些潜在的挑战和局限性。还包括DL/ML在物联网安全中的未来工作，建议和建议。
2022-10-24 cs.CR cs.LG cs.NI
Resilient Edge: Can we achieve Network Resiliency at the IoT Edge using LPWAN and WiFi?
近年来，由于许多物联网（IoT）应用在家庭，工业和野生环境中的采用，边缘计算得到了关注。这些应用程序的弹性和可靠性要求各不相同，从非关键（最佳交付努力）到具有时间限制保证的安全关键。物联网边缘设备的网络连接仍然是核心关键组件，需要满足应用程序的时间限制服务质量（QoS）和容错保证。因此，在这项工作中，我们系统地研究如何满足物联网应用的混合关键性QoS要求在多通信网络。我们（i）通过定义系统模型来提出物联网应用的网络弹性要求（ii）分析和评估许多最先进的LPWAN技术（如Sigfox、LoRa和LTE）的带宽、延迟、吞吐量和最大数据包大小（CAT-M1/NB-IoT）和Wi-Fi，（iii）实施和评估适应性系统弹性边缘和关键性感知最佳匹配（CABF）使用具有五个多通信网络的Raspberry Pi 4和Pycom FiPy开发板的资源分配算法来满足应用程序弹性要求。我们提出了我们的研究结果，如何实现100%的最大努力高关键级别的消息传递使用多通信网络
2022-05-07 cs.DC cs.NI
Big Data Privacy in the Internet of Things Era
在过去的几年里，我们已经看到了大量的物联网（IoT）解决方案，产品和服务，使其进入行业的市场。所有这些解决方案都将捕获与环境及其用户有关的大量数据。物联网的目标是了解更多，更好地为系统用户服务。这些解决方案中的一些可以将数据本地存储在设备（“事物”）上，而其他解决方案可以存储在云中。收集数据的真正价值来自于大规模的数据处理和聚合，从中可以提取新的知识。然而，此类程序也可能导致用户隐私问题。本文讨论了物联网中隐私的一些主要挑战，以及研究和创新的机会。我们还介绍了一些正在进行的解决物联网隐私问题的研究工作。
2015-06-08 cs.CY cs.DB cs.NI
Privacy-Preserving IoT in Connected Aircraft Cabin
针对互联飞机客舱物联网存在的应用层隐私缺口，本文提出在类CSMIM架构上集成可配置PETs的框架，通过高保真测试平台量化性能权衡，为关键领域可信协作物联网设计提供路线图。
2025-11-19 cs.CR cs.DC cs.NI
End-to-End Privacy for Open Big Data Markets
开放数据市场的概念设想创建一个数据交易模型，以促进物联网（IoT）领域中各方之间的数据交换。物联网产品和解决方案收集的数据预计将在这些市场上交易。数据所有者将使用物联网产品和解决方案收集数据。感兴趣的数据消费者将与数据所有者协商以访问此类数据。物联网产品捕获的数据将使数据消费者能够进一步了解数据所有者的偏好和行为，并使用从减少浪费到个性化服务产品等不同技术产生额外的商业价值。在开放的数据市场中，数据消费者将能够将产生的部分额外价值回馈给数据所有者。然而，当可用于获取极其个人信息的数据被交易时，隐私就成为一个重要问题。本文讨论了为什么隐私在物联网领域，特别是在开放数据市场中很重要，并调查了现有的隐私保护策略和设计技术，可用于促进开放数据市场的端到端隐私。我们还强调了一些需要解决的主要研究挑战，以便通过确保利益相关者的隐私来实现开放数据市场的愿景。
2015-10-23 cs.CR cs.CY cs.NI
Privacy-preserving Blockchain-enabled Parametric Insurance via Remote Sensing and IoT
School of Computing, Australian National University（澳大利亚国立大学计算学院）；Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；Data61, CSIRO（CSIRO数据61）
本文提出基于简洁零知识证明的隐私保护参数保险框架，通过零知识证明验证保险索赔的有效性和数据源真实性，提升透明度和效率，同时降低Gas成本80%。
2025-08-14 cs.CR cs.NI
On Lightweight Privacy-Preserving Collaborative Learning for Internet of Things by Independent Random Projections
Nanyang Technological University（南洋理工大学）
物联网（IoT）将成为实现更好系统智能的主要数据生成基础设施。本文考虑了一个实用的隐私保护的协作学习方案的设计和实现，其中一个好奇的学习协调器训练一个更好的机器学习模型的基础上，由一些物联网对象贡献的数据样本，而原始形式的训练数据的机密性是保护协调器。现有的分布式机器学习和数据加密方法会产生大量的计算和通信开销，使其不适合资源受限的IoT对象。我们研究了一种方法，该方法在每个物联网对象上应用独立的随机投影来混淆数据，并基于来自物联网对象的投影数据在协调器上训练深度神经网络。这种方法为物联网对象引入了少量的计算开销，并将大部分工作负载转移到具有足够计算资源的协调器。虽然物联网对象执行的独立投影解决了好奇的协调器和一些受损的物联网对象之间的潜在勾结，但它们显着增加了投影数据的复杂性。在本文中，我们利用深度学习在捕获复杂模式方面的卓越学习能力来保持良好的学习性能。广泛的比较评估表明，这种方法优于其他轻量级的方法，应用加性噪声差分隐私和/或支持向量机学习的应用程序中轻到中等的数据模式复杂性。
2020-12-11 cs.CR cs.DC cs.LG
Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices
Laboratoire LITAN（LITAN实验室）；École supérieure en Sciences et Technologies de l’Informatique et du Numérique（信息与数字技术高级学院）；College of Engineering and IT（工程与信息技术学院）；University of Dubai（迪拜大学）；Department of Computer Science（计算机科学系）；University of Sharjah（沙迦大学）
本研究针对物联网医疗环境中的隐私保护心电图分类问题，提出将一维ECG信号转换为GAF图像并结合联邦学习的框架，首次实验验证其在异构设备上的性能与通信效率，为智能健康系统提供可扩展安全的边缘部署方案。
2025-11-11 cs.AI cs.CE cs.LG
BLE Protocol in IoT Devices and Smart Wearable Devices: Security and Privacy Threats
本研究针对IoT与智能可穿戴设备中BLE协议的安全隐私漏洞，采用改进的STRIDE方法论构建防护框架，分析多类攻击场景并提出缓解策略，同时在四款主流可穿戴设备上评估了多种攻击利用场景。
2023-05-05 cs.AR cs.CR cs.NI
The Internet of Things: New Interoperability, Management and Security Challenges
物联网（IoT）为物理空间中的每一个物体带来了连接。它将连接扩展到日常物品。从联网的冰箱、汽车和城市，物联网在许多领域创造了机会。然而，这种连通性的增加带来了许多突出的挑战。本文对影响物联网广泛采用的一些主要问题进行了调查。特别是，它专注于物联网中的互操作性，管理，安全和隐私问题。得出的结论是，有必要开发一种多方面的技术方法来实现物联网的安全、管理和隐私。
2016-04-17 cs.CR cs.NI
Blockchain as privacy and security solution for smart environments: A Survey
区块链总是与比特币、加密货币和数字资产交易联系在一起。然而，它的好处远不止于此。它支持物联网（IoT）等技术，为未来的智能环境铺平道路，如灵巧家庭、智能交通、智能能源交易、智能工业、智能供应链等。为了实现这些环境，物联网设备、机器、电器和车辆需要相互通信，而不需要集中的可信方。区块链在这种不信任的环境中取代了这些受信任的各方。它为物联网生态系统提供安全执行、隐私保证、身份验证和其他关键功能。除了物联网-区块链集成之外，其他技术还增加了更多吸引研究界的好处。例如，软件定义网络（SDN）、雾、边缘和云计算技术在实现现实物联网应用方面发挥着关键作用。此外，人工智能（AI）的集成为智能环境中的物联网设备提供了智能，动态和自主的决策能力。为了进一步推动这一领域的研究，我们在本文中提供了一个全面的调查，其中包括最先进的技术集成，挑战和智能环境的解决方案，以及这些技术作为这种智能环境的构建块的作用。我们还展示了这些技术之间的集成水平多年来如何提高，这使我们更接近智能环境的未来观点。我们进一步讨论了当前需要提供通用区块链平台，以适应不同应用和解决方案的独特设计要求。最后，我们提供了一个简化的架构，未来的智能环境，集成这些技术，显示这种集成的优势。
2022-03-16 cs.CR cs.NI
A Blockchain Solution for Collaborative Machine Learning over IoT
atlanTTic, ICLAB, Escuela de Ingeniería de Telecomunicación（atlanTTic、ICLAB、电信工程学院）
本文提出结合增量学习向量量化算法与以太坊区块链的物联网协作学习方案，以降低开销并保障隐私安全，实验证明其能提升机器学习任务的准确性和效率。
2025-07-09 cs.CR cs.LG cs.NI
