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
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
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
Measuring Information Leakage in Website Fingerprinting Attacks and Defenses
Tor提供针对本地或网络对手的低延迟匿名和未经审查的网络访问。由于设计选择最小化流量开销(并增加潜在用户池),Tor允许泄漏有关客户端连接的一些信息。使用这些信息(从中提取的特征)来推断用户访问的网站的攻击称为网站指纹(WF)攻击。我们开发了一种方法和工具来衡量网站泄露信息的数量。我们将此工具应用于从大量网站和WF防御机制中提取的一组全面的特征,使我们能够对WF攻击和防御进行更细粒度的观察。
2019-06-05 cs.CR
State Machine Frameworks for Website Fingerprinting Defenses: Maybe Not
本研究通过改进的Rust状态机框架Maybenot实现三种先进网站指纹防御,评估其潜力与局限,并建议在Arti中决策前需增强框架并考虑替代设计。
2023-08-11 cs.CR
TrapFlow: Controllable Website Fingerprinting Defense via Dynamic Backdoor Learning
National University of Singapore(新加坡国立大学);Pengcheng Laboratory(鹏城实验室);Beihang University(北航);Simon Fraser University(Simon Fraser大学)
TrapFlow通过动态后门学习实现网站指纹攻击防御,通过注入触发序列使攻击者模型产生错误关联,显著降低攻击准确率。
2026-02-20 cs.AI cs.CR
Toward an Efficient Website Fingerprinting Defense
网站指纹攻击使被动窃听者能够通过将观察到的流量与预先记录的Web流量模板进行匹配来恢复用户的匿名Web浏览活动。已经提出的用于对抗这些攻击的防御对于在现实世界系统中的部署是不切实际的,因为它们在增加的延迟和带宽开销方面的成本很高。此外,这些防御被设计用于对抗攻击,尽管它们的成功率很高,但由于在评估设置中假设不切实际的攻击条件而受到批评。在本文中,我们提出了一种新的,轻量级的防御自适应填充的基础上,提供了足够的安全级别对网站指纹,特别是在现实的评估条件。在封闭世界环境中,这种防御将最先进攻击的准确性从91%降低到20%,同时引入零延迟开销和不到60%的带宽开销。在开放世界中,攻击精度仅为1%,并且随着网站数量的增加而进一步下降。
2016-07-19 cs.CR
RegulaTor: A Straightforward Website Fingerprinting Defense
本地被动攻击者使用网站指纹(WF)攻击,通过将发送给用户和由用户接收的数据包序列与先前记录的数据集进行比较,来确定加密互联网流量的目的地。因此,WF攻击是Tor等隐私增强技术特别关注的问题。作为回应,已经开发了各种WF防御,尽管它们往往会产生高带宽和延迟开销或需要额外的基础设施,从而使它们难以在实践中实现。一些轻量级的防御也已经提出;但是,它们对最近发布的WF攻击只达到中等的效果。在本文中,我们的目标是提出一个现实的和新颖的防御,RegulaTor,它利用常见的模式在Web浏览流量,以减少防御开销和当前WF攻击的准确性。在封闭世界环境中,RegulaTor将最先进的攻击Tik-Tok相对于类似防御的准确性从66%降低到25.4%。为了实现这一性能,它需要有限的延迟和带宽开销,比领先的中等开销防御少39.3%。在开放世界环境中,RegulaTor将精确调整的Tik-Tok攻击限制在.135的F分数,而最佳防御的F分数为.625。
2021-09-21 cs.CR
A Real-time Defense against Website Fingerprinting Attacks
像Tor这样的匿名系统容易受到网站指纹(WF)攻击,其中本地被动窃听者推断受害者的活动。目前基于深度学习分类器的WF攻击已经成功地克服了许多提出的防御。虽然最近利用对抗性示例的防御提供了希望,但这些对抗性示例只能在网络会话结束后计算,因此在实际设置中为用户提供的保护很少。我们提出了Dolos,一个实时的修改用户网络流量以成功规避WF攻击的系统。Dolos通过计算输入不可知的对抗补丁将虚拟数据包注入流量跟踪,这些补丁会破坏WF攻击中使用的深度学习分类器。然后应用补丁来实时的改变和保护用户流量。重要的是,这些补丁是由用户侧秘密参数化的,确保攻击者无法使用对抗训练来击败Dolos。我们通过实验证明,Dolos在各种设置下都能提供94%以上的保护,抵御最先进的WF攻击。与之前的防御相比,Dolos在更高的保护性能和更低的信息泄漏和带宽开销方面表现出色。最后,我们证明了Dolos对各种自适应对策的鲁棒性,以检测或破坏防御。
2021-02-08 cs.CR
Understanding the Privacy-Preserving Potential of HTTP/2 Against Webpage Fingerprinting
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
本研究聚焦HTTP/2的应用层防御,利用其特性模拟多种防御,通过统一蓝图评估其隐私-开销权衡,挖掘其抵御网页指纹识别的隐私保护潜力。
2026-09-07 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
WiFinger: Fingerprinting Noisy IoT Event Traffic Using Packet-level Sequence Matching
The Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学);University of Chicago(芝加哥大学)
WiFinger通过分组级别序列匹配技术,有效识别噪声物联网事件流量,实现高精度的指纹识别。
2025-12-06 cs.CR
WFDefProxy: Modularly Implementing and Empirically Evaluating Website Fingerprinting Defenses
Tor是一种洋葱路由匿名网络,已被证明容易受到网站指纹(WF)的攻击,WF通过分析加密网络流量的独特特征来对Web浏览进行去匿名化。虽然已经提出了许多防御措施,但很少有人在现实世界中实施和测试;其他人只是模拟。由于其合成性质,仿真可能无法捕捉这些防御的真实性能。为了弄清楚这些防御在现实世界中的表现,我们提出了WFDefProxy,这是一个使用可插拔传输在Tor上实现WF防御的通用平台。我们创建了三种WF防御的第一个完整实现:FRONT,Tamaraw和Random-WT。我们评估每个防御在模拟和实施,比较他们的结果,我们发现,模拟正确地捕捉每个防御攻击的强度。此外,我们证实,随机小波变换是不是有效的模拟和实施,降低最强的攻击者的准确性只有7%。我们还发现模拟和实现之间的开销略有不同。我们分析了这可能是由于在模拟中对数据包延迟和排队的假设,或者我们在WFDefProxy中实现的软停止条件,以检测页面加载的结束。FRONT的实现比仿真多花费了大约23%的数据开销,而Tamaraw的实现花费了大约28% - 45%的数据开销。此外,Tamaraw的实施仅产生了21%的时间开销,相比之下,在以前的工作中通过模拟估计的51% - 242%。
2021-11-24 cs.CR
You get PADDING, everybody gets PADDING! You get privacy? Evaluating practical QUIC website fingerprinting protections for the masses
网站指纹(WF)是一个众所周知的威胁用户的网络隐私。新的互联网标准,如QUIC,包括填充以支持对WF的防御。以前的工作只分析了用户在VPN后面时防御的有效性。然而,这并不是大多数用户浏览互联网的方式。在本文中,我们提供了一个全面的评估QUIC填充为基础的防御WF当用户直接浏览网页。我们证实了以前的说法,网络层填充不能提供良好的保护,对强大的对手能够观察到所有的流量痕迹。我们进一步证明,这种填充是无效的,即使对对手的流量可见性和处理能力的限制。在应用程序层,我们表明,防御需要部署的第一和第三方,他们只能在有限的情况下阻止流量分析。我们确定部署有效WF防御的挑战,并提供解决这些挑战的建议。
2022-12-15 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
Bayes, not Naïve: Security Bounds on Website Fingerprinting Defenses
网站指纹(WF)攻击引发了对用户隐私的重大担忧。他们采用机器学习(ML)来允许本地被动攻击者发现用户的Web浏览行为,即使她通过加密隧道(例如Tor,VPN)浏览。过去已经提出了许多防御措施;然而,通常很难对其安全性进行正式保证,这通常是针对最先进的攻击进行经验评估。在本文中,我们提出了一个实用的方法来获得任何WF防御,这取决于一个选定的功能集的安全界限。这个结果来自于将WF攻击减少到ML分类任务,在ML分类任务中,我们可以确定最小的可实现错误(贝叶斯错误);这种错误可以在实践中估计,并且对于WF对手来说,对于他可能使用的任何分类算法来说,都是一个下界。我们的工作有两个主要的结果:i)它允许确定WF防御的安全性,在一个黑盒子的方式,相对于国家的最先进的功能集和ii)它有利于转移未来WF研究的重点,以确定最佳的功能集。该方法的一般性进一步表明,该方法可以用于定义其他基于ML的攻击的安全界限。
2017-08-23 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
To WASM or Not to WASM: Evaluation of Browser Fingerprinting Defenses Under WASM based Obfuscation
The University of Texas at San Antonio(圣安东尼奥德克萨斯大学);Google LLC(谷歌公司)
本文评估WASM混淆对浏览器指纹防御的影响,发现学术特征分析检测器存在脆弱性,而API级拦截的防御完全有效,凸显学术与实用防御的差距并提供优化方向。
2026-08-13 cs.CR cs.ET cs.PL
Lightening the Load: A Cluster-Based Framework for A Lower-Overhead, Provable Website Fingerprinting Defense
Simon Fraser University(西蒙菲莎大学)
本文提出了一种基于集群的自适应网站指纹攻击防御框架,通过结合正则化和超序列方法,实现低开销和可证明安全性的平衡。
2026-03-09 cs.CR
Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting
School of Information Technology, York University(约克大学信息科技学院);School of Computer Science, University of Guelph(圭尔夫大学计算机科学学院);National Research Council of Canada(加拿大国家研究委员会)
本文提出基于SHAP的归因指纹方法,用于增强物联网入侵检测系统对对抗攻击的鲁棒性,通过提取网络流量特征的归因指纹,提高检测准确性和系统透明度。
2025-11-09 cs.AI cs.CL cs.CR
DeepSE-WF: Unified Security Estimation for Website Fingerprinting Defenses
网站指纹(WF)攻击通常在基于机器学习的分类器的帮助下进行,使网络窃听者能够通过检查流量模式来查明用户正在访问哪个网页。这些攻击已被证明是成功的,即使用户浏览互联网通过加密隧道,例如,通过Tor或VPN。为了评估针对WF攻击的新防御的安全性,最近的作品提出了特征依赖的理论框架,该框架估计对手的特征集的贝叶斯错误或手动制作的特征泄露的互信息。不幸的是,随着最先进的WF攻击越来越依赖于深度学习和潜在特征空间,基于更简单(和更少信息)的手动特征的安全评估不再被信任来评估WF对手在击败此类防御方面的潜在成功。在这项工作中,我们提出了DeepSE-WF,一种新的WF安全估计框架,利用专门的基于kNN的估计器从学习的潜在特征空间中产生贝叶斯误差和互信息估计,从而弥合了当前WF攻击和安全估计方法之间的差距。我们的评估表明,DeepSE-WF比以前的框架产生更严格的安全估计,将输出安全估计所需的计算资源减少了一个数量级。
2022-11-28 cs.CR
Efficient and Low Overhead Website Fingerprinting Attacks and Defenses based on TCP/IP Traffic
Nanjing University of Science and Technology(南京理工大学);Zhejiang Lab(之江实验室);Data 61, CSIRO(澳大利亚联邦科学与工业研究组织Data 61);Shandong University(山东大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
网站指纹攻击是一种广泛研究的技术,用于Web浏览器中分析流量模式,从而推断用户的机密信息。基于机器学习和深度学习的几种网站指纹攻击倾向于使用最典型的特征来实现令人满意的攻击率性能。然而,这些攻击受到几个实际实现因素的影响,例如巧妙的预处理步骤或干净的数据集。为了防御这种攻击,通常应用具有过高网络开销的高成本的随机分组防御(RPD)。在这项工作中,我们首先提出了一个实用的过滤器辅助攻击的RPD,它可以过滤掉注入的噪声利用TCP/IP流量的统计特性。然后,我们提出了一个列表辅助防御机制来防御所提出的攻击方法。为了实现可配置的防御和网络开销之间的权衡,我们进一步改进了基于列表的防御流量分割机制,它可以打击上述攻击,以及节省了大量的网络开销。在实验中,我们使用三种主流浏览器收集真实的流量模式,即,微软Edge、Google Chrome和Mozilla Firefox以及在封闭和开放世界数据集上进行的大量结果表明,所提出的算法在防御准确性和网络效率方面是有效的。
2023-02-27 cs.CR cs.LG
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
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
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
Adaptive Traffic Camouflage: Causal and Resource-Aware Defense Against IoT Fingerprinting
University of Notre Dame(圣母大学);Microsoft Research(微软研究院)
针对物联网流量形态指纹识别,提出一种因果且资源感知的自适应流量伪装控制器,在预算约束下选择变换,显著降低指纹识别性能,同时控制带宽和延迟开销。
2026-09-24 cs.CR cs.NI
To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning
本文提出了一种通用的设备指纹识别模型,系统分析了现有方法的局限性,并探讨了未来更安全的物联网指纹识别方案。
2025-12-20 cs.CR
IoTWarden: A Deep Reinforcement Learning Based Real-time Defense System to Mitigate Trigger-action IoT Attacks
本文提出IoTWarden,一种基于深度强化学习和深度Q网络的实时防御系统,通过定义奖励函数学习最优防御策略,以低计算开销有效识别并缓解触发-动作式物联网中的远程注入攻击。
2024-01-16 cs.CR
Identifying Appropriate Intellectual Property Protection Mechanisms for Machine Learning Models: A Systematization of Watermarking, Fingerprinting, Model Access, and Attacks
SBA Research(SBA研究中心);Vienna University of Technology(维也纳工业大学)
本文系统化梳理机器学习知识产权保护中的威胁、攻击与防御,提出统一威胁模型和分类法,以衔接机器学习与安全社区研究。
2023-04-22 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
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
SATversary: Adversarial Attacks and Defenses for Satellite Fingerprinting
University of Oxford(牛津大学);armasuisse Science + Technology(瑞士联邦国防军科学与技术局)
本文研究了针对卫星指纹识别的优化对抗攻击与防御技术,展示了干扰、数据污染和欺骗攻击的效果,并提出利用训练模型检测攻击的方法。
2026-02-12 cs.CR eess.SP
Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing
Bellini College of Artificial Intelligence, Cybersecurity and Computing, University of South Florida(南佛罗里达大学贝利尼人工智能、网络安全与计算学院);Department of Electrical and Computer Engineering, University of South Florida(南佛罗里达大学电气与计算机工程系)
Chameleon是一种基于多对多流量变形的Tor网站指纹鲁棒防御,可降低多种攻击的准确率,同时减少带宽和时间开销,在实际部署中表现优异。
2026-08-21 cs.CR cs.CY
A Novel IoT Trust Model Leveraging Fully Distributed Behavioral Fingerprinting and Secure Delegation
University of Pavia(帕维亚大学);University of Milan(米兰大学)
本文提出一种全分布式物联网信任模型,利用行为指纹、分布式共识和区块链,通过邻居评估设备可信度,以应对异构设备的安全挑战。
2023-10-02 cs.CR cs.LG
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
Self-Defense: Optimal QIF Solutions and Application to Website Fingerprinting
本文针对核心系统固定的场景,提出在不可修改的信息论信道中构造新行的最优QIF解,通过线性规划为两类对手建模并应用于网站指纹防御,实验证明其能有效最小化信息泄漏并降低攻击者准确率。
2024-11-15 cs.CR
Pareto-Secure Machine Learning (PSML): Fingerprinting and Securing Inference Serving Systems
Georgia Institute of Technology(佐治亚理工学院);University of California, Riverside(加州大学河滨分校);University of Wisconsin–Madison(威斯康星大学麦迪逊分校);University of Virginia(弗吉尼亚大学);George Washington University(乔治华盛顿大学)
本文针对推理服务系统中模型隐藏于抽象层后导致传统提取攻击失效的问题,提出查询高效的指纹识别算法以稳定触发目标模型,并设计基于噪声的防御机制,在保持80%以上有效吞吐量的同时显著降低提取攻击的准确率与保真度。
2023-08-06 cs.AI cs.CR cs.LG
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
k-fingerprinting: a Robust Scalable Website Fingerprinting Technique
网站指纹使攻击者能够通过加密或匿名的网络连接推断客户端正在浏览哪个网页。我们提出了一种新的网站指纹技术的基础上随机决策森林和标准的网页以及Tor隐藏服务的性能进行评估,在更大的规模比以前的作品。我们的技术,k-指纹识别,比目前最先进的攻击,即使对网站指纹防御,我们表明,它是可能的,面对大量的噪声数据,发动一个网站指纹攻击。我们可以正确地确定客户端正在访问的30个受监控的隐藏服务中的哪一个,其真阳性率(TPR)为85%,假阳性率(FPR)低至0.02%,来自100,000个未监控网页的世界大小。我们进一步表明,出错率在Web资源之间的差异很大,因此可以预见,某些使用模式将比其他模式更容易受到攻击。
2016-02-19 cs.CR
MTDSense: AI-Based Fingerprinting of Moving Target Defense Techniques in Software-Defined Networking
本文提出MTDSense方法,通过无监督聚类识别软件定义网络中IP混洗MTD的触发间隔,揭示传统MTD易受针对性攻击,并提出两种减少信息泄露的MTD更新算法。
2024-08-07 cs.CR cs.NI
Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks
研究针对物联网网络入侵检测系统提出黑盒对抗攻击方法,评估其可行性,并提出防御方案以增强系统鲁棒性。
2026-03-24 cs.AI 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
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
Tactical Edge IoT in Defense and National Security
该研究针对国防与国家安全领域物联网部署的局限,提出可结合边缘计算的优势,明确了商用现货边缘物联网的应用场景,设计了战术边缘物联网通信架构,指出了推广挑战并给出研究建议。
2024-11-01 cs.CR cs.NI
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
Proactive Defense for Internet-of-Things: Integrating Moving Target Defense with Cyberdeception
资源受限的物联网(IoT)设备极有可能受到攻击者的危害,因为强大的安全保护可能不适合部署。这需要一种替代方法来保护物联网网络中的脆弱组件。在本文中,我们提出了一种综合防御技术,以实现入侵防御利用网络欺骗(即,诱饵系统)和移动目标防御(即,网络拓扑重排)。我们验证了我们提出的技术的有效性和效率分析的基础上,在一个软件定义网络(SDN)的物联网网络的图形安全模型。我们制定了四项战略(即,固定/随机和自适应/混合)来解决“何时”执行网络拓扑重排以及三种策略(即,遗传算法/基于诱骗攻击路径的优化/随机)来解决“如何”在诱骗填充的IoT网络上执行网络拓扑改组,并分析哪种策略可以最好地实现系统目标,例如延长系统寿命、最大化欺骗有效性、最大化服务可用性或最小化防御成本。我们的研究结果表明,在最佳参数设置下运行我们的入侵防御技术的软件定义的物联网网络延长了系统寿命,增加了危害关键节点的攻击复杂性,并且与没有运行我们的入侵防御技术的对等物联网网络相比,保持了卓越的服务可用性。此外,当给定单个目标或多目标目标(例如,最大化系统寿命和服务可用性,同时最小化防御成本)作为输入,确定了“如何”和“如何”策略的最佳组合,用于执行我们提出的技术,在该技术下可以最好地实现指定的目标。
2020-05-08 cs.CR
Obfuscating IoT Device Scanning Activity via Adversarial Example Generation
针对IoT设备banner被扫描指纹识别的隐私风险,提出BANADV通过语义与视觉相似性空间生成对抗扰动,可欺骗基于学习和匹配的扫描技术,成功率至少80%。
2024-06-17 cs.CR
WFCAT: Augmenting Website Fingerprinting with Channel-wise Attention on Timing Features
WFCAT通过IAT直方图特征和通道注意力机制增强CNN,有效利用时序信息,在防御流量下显著提升网站指纹识别准确率,优于现有方法。
2024-12-16 cs.CR
Mockingbird: Defending Against Deep-Learning-Based Website Fingerprinting Attacks with Adversarial Traces
Anomali Inc.(Anomali公司);Global Cybersecurity Institute, Rochester Institute of Technology(罗切斯特理工学院全球网络安全研究所)
网站指纹(WF)是一种流量分析攻击,使本地被动窃听者能够推断受害者的活动,即使流量受到VPN或Tor等匿名系统的保护。利用深度学习分类器,WF攻击者可以在Tor流量上获得超过98%的准确率。在本文中,我们探索了一种新的防御方法Mockingbird,它基于对抗性示例的思想,这些示例已被证明会破坏其他领域的机器学习分类器。由于攻击者得到设计和训练他的攻击分类器的基础上的防御,我们首先证明,在一个简单的技术生成对抗性的例子为基础的痕迹无法防止攻击者使用对抗性训练的强大的分类。然后,我们提出了Mockingbird,一种用于生成轨迹的技术,通过在可行轨迹的空间中随机移动而不是遵循更可预测的梯度来抵抗对抗性训练。该技术将对抗训练强化的最先进攻击的准确性从98%降低到42-58%,同时仅产生58%的带宽开销。攻击准确性通常低于最先进的防御,并且在考虑Top-2准确性时要低得多,同时产生较低的带宽开销。
2020-10-28 cs.CR cs.LG
Few-Shot Website Fingerprinting Attack
这项工作介绍了一种新的数据增强方法,用于Few-Shot网站指纹(WF)攻击,其中每个网站只有少数训练样本可用于深度学习模型优化。超越早期的WF方法依赖于手动设计的特征表示,更先进的深度学习替代方案表明,从训练数据自动学习特征表示是优越的。尽管如此,这种优势受到一个不切实际的假设,即每个网站存在许多训练样本,否则这些样本将消失。为了解决这个问题,我们引入了一种模型无关的,高效的,和谐的数据增强(HDA)方法,可以显着改善深度WF攻击方法。HDA涉及样本内和样本间数据转换,可以以协调的方式将微小的训练数据集扩展为任意大的集合,从而有效且明确地解决固有的数据稀缺问题。我们进行了昂贵的实验,以验证我们的HDA在封闭世界和开放世界的攻击场景中,在没有和存在强大防御的情况下,都能提升最先进的深度学习WF攻击模型。{For例如,在基于WTF-PAD的防御的更具挑战性和现实性的评估场景中,我们的HDA方法在20次学习情况下的绝对分类准确率超过了以前的最先进的结果4%以上。
2021-03-04 cs.CR
Towards Robust Multi-tab Website Fingerprinting
Institute for Network Sciences and Cyberspace, Tsinghua University(清华大学网络科学与网络空间研究院);Zhongguancun Laboratory(中关村实验室)
针对多标签页浏览场景下网站指纹识别准确率低的问题,提出基于Transformer的多标签分类框架ARES,通过多级流量聚合特征与改进自注意力机制实现鲁棒识别。
2025-01-22 cs.AI cs.CR
Improving RF-DNA Fingerprinting Performance in an Indoor Multipath Environment Using Semi-Supervised Learning
针对室内多径衰落导致物联网设备 SEI 认证性能下降的问题,提出 CGAN 和 JCAECNN 两种半监督深度学习均衡方法以校正多径并保留信号特征,使 SEI 性能较现有技术提升 10%。
2023-04-02 cs.CR eess.SP
Optimal Deployments of Defense Mechanisms for the Internet of Things
物联网(IoT)设备可以被攻击者利用作为切入点,在没有早期检测的情况下闯入物联网网络。很少有工作采取混合方法,以最佳方式结合不同的防御机制,以提高物联网对复杂攻击的安全性。在这项工作中,我们提出了一种新的方法来生成自适应欺骗技术的战略部署和预算约束下的物联网补丁管理解决方案。我们使用一个图形化的安全模型以及三个评估指标来衡量所提出的防御机制的有效性和效率。我们应用多目标遗传算法(GA)来计算防御机制的{ \em Pareto最优}部署,以最大化安全性和最小化部署成本。我们提出了一个案例研究,以显示所提出的方法的可行性,并为防御者提供各种方法来选择物联网防御机制的最佳部署。我们比较了遗传算法与穷举搜索算法(ESA)的运行时复杂性和性能的最优精度。我们的结果表明,GA在计算部署的良好分布方面比ESA更有效,与物联网设备的增加成比例。
2019-08-01 cs.CR cs.CY
Spying on the Smart Home: Privacy Attacks and Defenses on Encrypted IoT Traffic
不断增长的灵巧家庭物联网设备市场为消费者带来了新的便利,同时也为保护家庭隐私带来了新的挑战。许多灵巧家庭设备具有始终开启的传感器,该传感器捕获用户在其生活空间中的离线活动并在互联网上传输关于这些活动的信息。在本文中,我们证明了ISP或其他网络观察者可以通过分析包含商用物联网设备的灵巧家庭的互联网流量来推断隐私敏感的家庭活动,即使这些设备使用加密。我们评估了几种策略,以减轻与灵巧家庭设备流量,包括阻塞,隧道和速率整形的隐私风险。我们的实验表明,流量整形可以有效地和实际地减轻许多与灵巧家庭物联网设备相关的隐私风险。我们发现40 KB/s的额外带宽使用足以保护用户活动免受被动网络对手的攻击。对于许多灵巧家庭来说,这种带宽成本完全在互联网速度限制和数据上限之内。
2017-08-16 cs.CR