Enhancing IoT Security Against DDoS Attacks through Federated Learning
Carleton University（卡尔顿大学）；Institute of Science and High Technology and Environmental Science（科学与高技术及环境科学研究所）
针对物联网DDoS攻击，提出基于联邦学习的检测框架，利用深度自编码器降维与重训练、部分选择技术，在非IID数据集N-BaIoT上验证FedAvgM优于FedAvg，实现隐私保护下的高效攻击检测。
2024-03-16 cs.AI cs.CR cs.LG
ARGUS: Context-Based Detection of Stealthy IoT Infiltration Attacks
Technical University of Darmstadt（达姆施塔特工业大学）
物联网应用领域、设备多样性和连接性正在快速增长。物联网设备控制着灵巧家庭和建筑物、智能城市和智能工厂中的各种功能，使这些设备成为攻击者的诱人目标。另一方面，不同应用场景的巨大可变性和设备的固有异构性使得可靠地检测异常物联网设备行为并将其与良性行为区分开来非常具有挑战性。现有的检测攻击的方法大多限于直接危及单个物联网设备的攻击，或者需要预定义的检测策略。它们无法检测利用IoT系统的控制平面来触发非预期/恶意上下文中的动作的攻击，例如，当灵巧家庭居民不在时打开智能锁。在本文中，我们解决了这个问题，并提出了ARGUS，这是第一个用于检测物联网环境中上下文攻击的自学习入侵检测系统，其中攻击者恶意调用物联网设备操作以达到其目标。ARGUS根据环境中IoT设备的状态和操作监控上下文设置。无监督深度神经网络（DNN）用于对典型的上下文设备行为进行建模并检测在异常上下文设置中发生的动作。这种无监督的方法确保了ARGUS不仅限于检测以前已知的攻击，而且还能够检测新的攻击。我们在异构的真实智能家居环境中评估了ARGUS，每个设置的F1分数至少为99.64%，假阳性率（FPR）最多为0.03%。
2023-02-16 cs.CR cs.LG
LEMDA: A Novel Feature Engineering Method for Intrusion Detection in IoT Systems
Washington University in Saint Louis（圣路易斯华盛顿大学）；College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）
本文提出了一种名为LEMDA的新型特征工程方法，通过应用指数衰减和敏感度因子选择并创建信息量最大的特征，有效降低了物联网入侵检测系统的模型复杂度，将F1分数平均提升34%并减少了训练与检测时间。
2024-04-20 cs.AI cs.CR cs.LG
IoTGeM: Generalizable Models for Behaviour-Based IoT Attack Detection
Department of Computer Science, Heriot-Watt University（赫瑞瓦德大学计算机科学系）
IoTGeM通过改进的滑动窗口和遗传算法实现行为基物联网攻击检测，展现出优于传统方法的泛化能力和高检测精度。
2025-06-12 cs.AI cs.CR cs.LG
Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering, Polytechnic of Porto (ISEP/IPP)（先进创新与发展智能工程与计算研究组（GECAD），波尔图理工学院工程学院（ISEP/IPP））
物联网（IoT）面临着巨大的安全挑战。机器学习模型可用于应对越来越多的针对物联网系统的网络攻击变体，但对抗攻击构成的日益严重的威胁再次表明了对可靠防御策略的需求。这项工作描述了一个现实的对抗性网络攻击的例子所需的约束类型，并提出了一种方法，一个值得信赖的对抗性鲁棒性分析与现实的对抗性规避攻击向量。所提出的方法被用来评估三个监督算法，随机森林（RF），极端梯度提升（XGB），和轻梯度提升机（LGBM），和一个无监督算法，隔离森林（IFOR）。使用自适应扰动模式方法（A2PM）生成受约束的对抗性示例，并对使用常规和对抗性训练创建的模型进行规避攻击。尽管RF在二进制分类中受影响最小，但XGB在多类分类中始终达到最高的准确性。所获得的结果证明了基于树的算法和集成对对抗性规避攻击的固有敏感性，并证明了对抗性训练的好处和设计方法的安全性，以实现更强大的物联网网络入侵检测和网络攻击分类。
2023-03-03 cs.AI cs.CR cs.LG
Dataset: Large-scale Urban IoT Activity Data for DDoS Attack Emulation
University of Southern California（南加利福尼亚大学）
随着物联网部署在智能城市等应用中的规模不断扩大，它们面临着越来越多的网络安全威胁。特别是，正如著名的Mirai事件和其他持续威胁所证明的那样，大规模物联网设备网络特别容易被劫持并用作僵尸网络来发动分布式拒绝服务（DDoS）攻击。需要真正的大规模数据集来训练和评估深度神经网络等机器学习算法的使用，以检测和防御此类DDoS攻击。我们提出了一个来自4060个节点的城市物联网部署的数据集，描述了它们在良性条件下的时空活动。我们还提供了一个合成DDoS攻击生成器，它根据可调参数（如受攻击的节点数量和攻击持续时间）将攻击活动注入数据集。我们讨论了数据集的一些特征。我们还展示了数据集的实用性以及我们的合成DDoS攻击生成器，通过使用它们来训练和评估一个简单的多标签前馈神经网络，旨在识别哪些节点受到攻击以及何时受到攻击。
2021-10-05 cs.CR cs.LG
What are Attackers after on IoT Devices? An approach based on a multi-phased multi-faceted IoT honeypot ecosystem and data clustering
University of South Florida（南佛罗里达大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
物联网（IoT）设备数量的不断增长，使得人们必须意识到他们在网络安全方面面临的现实威胁。虽然蜜罐历来被用作诱饵设备，以帮助研究人员/组织更好地了解网络上的威胁动态及其影响，但由于设备及其物理连接的多样性，物联网设备为此提出了独特的挑战。在这项工作中，通过观察现实世界中的攻击者在低交互蜜罐生态系统中的行为，我们（1）提出了一种新的方法来创建多阶段，多方面的蜜罐生态系统，逐渐增加蜜罐与对手的交互的复杂性，（2）设计和开发了一个低交互蜜罐相机，使研究人员能够更深入地了解攻击者的目标，以及（3）设计了一种创新的数据分析方法来识别对手的目标。我们的蜜罐已经活跃了三年多了。我们能够在每个阶段收集越来越复杂的攻击数据。此外，我们的数据分析指出，蜜罐中捕获的绝大多数攻击活动具有显著的相似性，并且可以进行聚类和分组，以更好地了解物联网攻击的目标，模式和趋势。
2021-12-21 cs.CR cs.LG
Poisoning Attacks in Federated Edge Learning for Digital Twin 6G-enabled IoTs: An Anticipatory Study
Technology Innovation Institute（技术创新研究院）；University of Ottawa（渥太华大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
联合边缘学习对于支持数字孪生6 G物联网（IoT）环境中的隐私保护、人工智能（AI）活动至关重要。然而，我们还需要考虑针对底层AI系统的攻击的可能性（例如，攻击者试图在本地更新期间破坏物联网设备上的数据或破坏模型更新）;因此，在本文中，我们提出了一项针对支持数字孪生6 G的物联网环境的联合边缘学习中的中毒攻击的预期研究。具体来说，我们研究了对手对数字孪生6 G物联网环境中联邦学习模型的训练和开发的影响。我们证明了攻击者可以在两种不同的学习环境中进行中毒攻击，即：集中式学习和联邦学习，成功的攻击会严重降低模型的准确性。针对非独立同分布（Non-IID）数据和独立同分布（IID）数据，利用三个深度神经网络，对一个面向物联网应用的新型网络安全数据集进行了攻击评估。在攻击分类问题上，中毒攻击可以导致IID数据的准确率从94.93%下降到85.98%，而非IID数据的准确率从94.18%下降到30.04%。
2023-03-21 cs.AI cs.CR
IoT Lotto: Utilizing IoT Devices in Brute-Force Attacks
使用中的物联网设备数量正在迅速增加，物联网应用的数量也在迅速增加。与任何新技术一样，快速发展意味着安全威胁和攻击面的快速增加。在过去的几年里，物联网安全已被证明是一个挑战。然而，另一项具有挑战性的任务是防止物联网设备成为恶意攻击者用来闯入其他系统的工具。在本文中，我们提出了一个概念设计，其中物联网设备被用作蛮干攻击的工具，以打破块密码的加密密钥。所提出的设计表明，在攻击中使用足够数量的物联网设备，攻击可以成功破解大密钥块密码。
2018-12-08 cs.CR
Towards Efficient Machine Learning Method for IoT DDoS Attack Detection
University of New Brunswick（新不伦瑞克大学）
提出混合特征选择算法结合XGBoost模型，在CIC IDS 2017和CIC IoT 2023数据集上分别实现99.993%准确率和97.64%召回率，用于高效检测物联网DDoS攻击。
2024-08-16 cs.CR cs.LG
NFDLM: A Lightweight Network Flow based Deep Learning Model for DDoS Attack Detection in IoT Domains
Indian Institute of Information Technology（印度信息技术学院）；THM University of Applied Sciences（THM应用科学大学）
近年来，物联网（IoT）设备上的分布式拒绝服务（DDoS）攻击已成为全球互联网用户的主要关注点之一。对物联网生态系统的攻击来源之一是僵尸网络。入侵者通过在短时间内发送大量消息，迫使物联网设备对其合法用户不可用。该研究提出了一种轻量级和优化的基于人工神经网络（ANN）的分布式拒绝服务（DDoS）攻击检测框架NFDLM，该框架以互相关性作为特征选择方法，与长短期记忆（LSTM）和简单ANN相比，其检测性能优于后者。在这项工作中，我们设计并比较了四种不同的模型，其中两种基于ANN，另外两种基于LSTM来检测DDoS攻击类型。
2022-07-15 cs.CR cs.LG
Optimized detection of cyber-attacks on IoT networks via hybrid deep learning models
University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
针对物联网网络攻击检测问题，提出结合自组织映射、深度信念网络和自编码器并经粒子群优化的混合深度学习模型，在多个数据集上实现99.99%准确率，有效识别已知与未知威胁。
2025-02-17 cs.AI cs.CR
Towards a Universal Features Set for IoT Botnet Attacks Detection
Al-Khawarizmi Institute of Computer Science (KICS)（阿尔-花剌子模计算机科学研究所（KICS））
物联网设备的安全隐患使攻击者很容易利用物联网设备，使它们成为僵尸网络的一部分。一旦数十万物联网设备被入侵并成为僵尸网络的一部分，攻击者就会使用该僵尸网络发起大型复杂的分布式拒绝服务（DDoS）攻击，从而使目标网站或服务无法响应合法用户。到目前为止，已经提出了许多僵尸网络检测技术，但它们的性能仅限于它们所训练的特定数据集。这是因为用于在一个僵尸网络数据集上训练机器学习模型的特征由于攻击模式的多样性而在其他数据集上表现不佳。因此，在本文中，我们提出了一个通用的特征集，以更好地检测僵尸网络攻击，无论底层数据集。当在三个不同的僵尸网络攻击数据集上测试训练好的机器学习模型时，所提出的特征集表现出检测僵尸网络攻击的卓越结果。
2020-12-01 cs.AI cs.CR
A Novel Ensemble Learning Approach for Enhanced IoT Attack Detection: Redefining Security Paradigms in Connected Systems
Department of Computer Science, Faculty of Information Technology, Applied Science Private University（计算机科学系，信息科技学院，应用科学私立大学）；Department of Computer Science and Engineering, State University of Bangladesh（计算机科学与工程系，孟加拉国国家大学）；Department. of Computer Science, College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University（计算机科学系，计算机工程与科学学院，普林斯萨塔姆·本·阿卜杜勒阿齐兹大学）；School of Computer Science and Engineering, Lovely Professional University（计算机科学与工程学院，洛丽专业大学）；STC’s Artificial Intelligence Chair, Department of Information Systems, College of Computer and Information Sciences, King Saud University（STC人工智能 chair，信息系，计算机与信息科学学院，沙特国王大学）；Department of Computer Science, Veer Kunwar Singh University（计算机科学系，维尔·库纳尔·辛格大学）；Department of Computer Science and Engineering, School of Engineering, Kathmandu University（计算机科学与工程系，工程学院，加德满都市大学）
本文提出一种新型集成学习方法，通过Extra Trees Classifier和预处理优化，提升物联网攻击检测性能，实验表明其在多个数据集上表现出高召回率、准确率和低错误率。
2025-10-09 cs.AI cs.CR cs.LG
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
D-Score: An Expert-Based Method for Assessing the Detectability of IoT-Related Cyber-Attacks
众所周知，物联网设备容易受到各种网络攻击，例如数据泄露和作为DDoS攻击一部分的洪水攻击。当使用网络流量分析来检测此类攻击时，事实证明，如果某些攻击场景涉及不同的物联网模型，则并不总是同样容易检测到。也就是说，当针对某些物联网模型时，可以相当准确地检测到给定的攻击，而当针对其他模型时，相同的攻击可能会导致太多的错误警报。在这项研究中，我们试图解释物联网攻击可检测性的这种可变性，并设计一种风险评估方法，能够解决一个关键问题：基于异常的网络入侵检测系统检测涉及特定物联网模型的给定网络攻击有多容易？在解决这个问题的过程中，我们（a）调查物联网网络流量的可预测性，（b）提出一种新的物联网攻击检测分类法，该分类法还包含流量可预测性方面，（c）提出一种基于专家的攻击可检测性估计方法，该方法使用该分类法来获得可检测性得分（称为“D分数”），以及（d）在将我们的方法与数据驱动的方法进行比较时，对我们的方法进行经验评估。
2023-03-02 cs.CR
Analyzing Adversarial Attacks Against Deep Learning for Intrusion Detection in IoT Networks
Carleton University（卡尔顿大学）
对抗攻击在计算机视觉领域已经得到了广泛的研究，但其对网络安全应用的影响仍然是一个开放的研究领域。随着物联网、5G和人工智能不断融合以实现第四次工业革命（工业4.0）的承诺，物联网网络上的安全事件和事件也在增加。深度学习技术正被应用于检测和缓解针对物联网网络的许多此类安全威胁。前馈神经网络（FNN）已被广泛用于对物联网网络中的入侵攻击进行分类。在本文中，我们考虑了FNN的一种变体，称为自规范化神经网络（SNN），并将其性能与FNN进行比较，用于对物联网网络中的入侵攻击进行分类。我们的分析是使用新南威尔士大学堪培拉网络中心网络范围实验室的BoT-IoT数据集进行的。在我们的实验结果中，FNN在物联网网络中的入侵检测方面优于SNN，这是基于多个性能指标，如准确度，精确度和召回率以及多分类指标，如Cohen的Kappa得分。然而，当测试对抗性鲁棒性时，SNN对来自物联网数据集的对抗性样本表现出更好的弹性，在物联网网络中寻求更安全和更安全的深度学习方面呈现出充满希望的未来。
2019-05-13 cs.CR cs.LG cs.NI
IoTFlowGenerator: Crafting Synthetic IoT Device Traffic Flows for Cyber Deception
Army Research Labs（陆军研究实验室）
针对现有物联网蜜罐因缺乏真实流量易被攻击者检测的问题，提出结合序列生成对抗学习与物联网领域知识的IoTFlowGenerator工具，经18款设备实验验证，其生成的合成流量比现有生成器更难被自适应攻击者识别。
2023-05-01 cs.CR cs.LG
Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks
Artificial Intelligence Research (AIR) Center（人工智能研究（AIR）中心）；University of North Dakota（北达科他大学）
本研究比较随机森林、XGBoost和LightGBM三种集成学习算法，在边缘计算辅助物联网环境中检测僵尸网络攻击，验证其准确性与在资源受限设备上的可行性。
2025-08-03 cs.AI cs.CR
Iota: A Framework for Analyzing System-Level Security of IoTs
大多数物联网系统涉及物联网设备、通信协议、远程云、物联网应用程序、移动应用程序和物理环境。然而，现有的物联网安全分析只关注所有必要组件的子集，如设备固件，而忽略了物联网系统的交互性，导致攻击检测能力有限。在这项工作中，我们提出了Iota，一个基于逻辑编程的框架来执行物联网系统的系统级安全分析。Iota为物联网系统生成攻击图，显示所有可能受到攻击的系统资源，并列举潜在的攻击痕迹。在构建Iota的过程中，我们设计了新颖的技术来扫描物联网系统中的单个漏洞，并进一步为物联网漏洞创建通用的利用模型。我们还识别和建模不同设备之间的物理依赖关系，因为它们是物联网系统所独有的，并且被对手用来发起复杂的攻击。此外，我们利用NLP技术来提取基于应用描述的物联网应用语义。为了评估漏洞对系统范围的影响，我们根据攻击图提出了两个指标，为加强物联网系统提供指导。通过对127个物联网漏洞的评估表明，Iota的漏洞利用建模模块在预测漏洞的前提条件和影响方面达到了80%以上的准确率。我们将Iota应用于37个基于真实物联网应用和设备的合成灵巧家庭物联网系统。实验结果表明，我们的框架是有效的和高效的。在攻击图显示的27条最短攻击路径中，62.8%是系统管理员没有预料到的。只需1.2秒即可生成和分析由50台设备组成的物联网系统的攻击图。
2022-02-05 cs.CR
AdIoTack: Quantifying and Refining Resilience of Decision Tree Ensemble Inference Models against Adversarial Volumetric Attacks on IoT Networks
UNSW Sydney（悉尼新南威尔士大学）
基于机器学习的技术在网络智能方面取得了成功。然而，他们越来越多地成为复杂的数据驱动的对抗攻击的目标，导致错误预测，削弱了他们检测网络设备上威胁的能力。在本文中，我们介绍了AdIoTack，这是一个系统，它突出了决策树对对抗攻击的脆弱性，帮助网络安全团队量化和改进其用于监控物联网网络的训练模型的弹性。为了评估最坏情况下的模型，AdIoTack执行白盒对抗学习，以发起决策树集成模型无法标记的成功体积攻击。我们的第一个贡献是开发一个白盒算法，需要一个训练有素的决策树集成模型和配置文件的一个受害者类的基于网络的攻击作为输入。然后，它会自动生成配方，在缩进的攻击数据包之上指定某些数据包（开销小于15%），这些数据包一起可以绕过推理模型而不被注意到。我们确保生成的攻击实例可在IP网络上启动，并有效地产生体积影响。我们的第二个贡献开发了一种方法来主动监控连接设备的网络行为，代表受害者物联网设备注入对抗性流量（在可行的情况下），并成功发起预期的攻击。我们的第三个贡献是对AdIoTack进行原型设计，并在一个由经过训练的推理模型监控的少数真实物联网设备组成的测试平台上验证其有效性。我们演示了该模型如何检测物联网设备上的所有非对抗性体积攻击，同时错过许多对抗性攻击。第四个贡献开发了系统的方法，用于将补丁应用于训练的决策树集成模型，提高其对对抗性体积攻击的弹性。
2022-03-18 cs.CR cs.LG
Multiclass Classification Procedure for Detecting Attacks on MQTT-IoT Protocol
针对物联网MQTT协议攻击，利用集成方法和深度学习（循环网络）构建分类模型以增强入侵检测系统，取得了满意效果。
2024-02-05 cs.CR cs.LG
Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data
East West University（东西大学）
针对物联网场景下数据高度不平衡导致攻击检测难的问题，提出采用混合采样技术结合多种机器学习模型优化检测，实验验证随机森林等模型性能优异，有效提升了不平衡数据下的物联网攻击检测效果。
2025-05-15 cs.AI cs.CR cs.LG
AIIPot: Adaptive Intelligent-Interaction Honeypot for IoT Devices
University of Dschang（德昌大学）；University of Southampton（南安普顿大学）；Air Force Research Laboratory（空军研究实验室）；Combat Capabilities Development Command Army Research Laboratory（作战能力发展司令部陆军研究实验室）
物联网（IoT）的普及引发了人们对联网设备安全性的担忧。有必要开发合适且具有成本效益的方法来识别物联网设备中的漏洞，以便在攻击者抓住机会破坏它们之前解决它们。欺骗技术是改善物联网系统安全状况的重要方法。蜜罐是一种流行的欺骗技术，它模仿真实的交互方式，鼓励未经授权的用户（攻击者）发动攻击。由于物联网设备的数量和异构性，手动制作低交互和高交互蜜罐是负担不起的。这迫使研究人员寻求创新的方法来为物联网设备构建蜜罐。在本文中，我们提出了一种用于物联网设备的蜜罐，该蜜罐使用机器学习技术来自动学习并与攻击者交互。对所提出的模型的评估表明，我们的系统可以提高与攻击者的会话长度，并捕获物联网网络上的更多攻击。
2023-03-22 cs.CR cs.LG math.OC
Machine Learning-Enabled IoT Security: Open Issues and Challenges Under Advanced Persistent Threats
University of Ottawa（渥太华大学）；Ciena（CIENA公司）
尽管物联网（IoT）具有技术优势，但由于无线介质中的漏洞，物联网（IoT）具有网络弱点。基于机器学习（ML）的方法被广泛用于物联网网络中的网络威胁，具有良好的性能。高级持续性威胁（APT）是网络犯罪分子危害网络的突出表现，具有长期性和危害性的特点。然而，它是很难应用ML为基础的方法来识别APT攻击，以获得一个有前途的检测性能，由于正常流量中的一个非常小的百分比。由于缺乏所有类型的APT攻击的公共数据集，因此对物联网网络中的APT攻击进行全面调查的调查有限。这是值得桥梁的国家最先进的网络攻击检测与APT攻击检测在一个全面的评论文章。这篇调查文章回顾了物联网网络中的安全挑战，并介绍了物联网系统中众所周知的攻击、APT攻击和威胁模型。同时，基于特征的，基于异常的，和混合的入侵检测系统的物联网网络进行了总结。本文重点介绍了针对网络入侵的常用ML方法的统计见解以及检测到的攻击类型的数量。最后，常见的网络入侵和APT攻击的开放性问题和挑战，为未来的研究。
2022-04-17 cs.CR cs.LG cs.NI
Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network
National Institute of Technology Srinagar（斯利那加国家理工学院）
物联网（IoT）通过在互联网上控制设备/事物来改变生活。物联网为日常问题提供了许多智能解决方案，将网络物理系统（CPS）和其他经典领域转变为智能区域。构成物联网的大多数边缘设备都具有非常低的处理能力。为了破坏物联网网络，攻击者可以利用这些设备进行各种网络攻击。此外，随着越来越多的物联网设备的加入，新的和未知的威胁的可能性呈指数级增长。因此，必须为物联网网络开发一个能够识别此类威胁的智能安全框架。在本文中，我们开发了一种无监督集成学习模型，该模型能够从未标记的数据集中检测物联网网络中的新攻击或未知攻击。系统生成的标记数据集用于训练深度学习模型以检测IoT网络攻击。此外，该研究提出了一种特征选择机制，用于识别数据集中最相关的方面，以检测攻击。研究表明，该模型能够识别未标记的物联网网络数据集，并且DBN（深度信念网络）在使用该方法提供的标记数据集进行训练时，检测准确率为97.5%，误报率为2.3%，优于其他模型。
2022-07-16 cs.CR cs.IT cs.LG
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
IoT and Man-in-the-Middle Attacks
本文综述物联网的重要性，分析中间人攻击的成因、检测与预防挑战，并展望提升物联网安全防护能力的未来方法与设施。
2023-08-04 cs.CR
Classification of cyber attacks on IoT and ubiquitous computing devices
本文对物联网恶意软件进行分类，识别主要攻击目标与利用方式，指出设备定义和安全目标缺失是核心障碍，并强调现有攻击大多可通过既有技术措施缓解。
2023-12-01 cs.CR
5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques
Al-Baha University（阿尔巴哈大学）
本文针对5G网络中物联网设备面临的DDoS攻击，应用CNN和FNN深度学习算法进行检测与缓解，在专门数据集上均达到99%的准确率，验证了深度学习在提升5G物联网安全性方面的潜力。
2023-11-12 cs.CR cs.LG cs.NI
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
Backdoor Attacks on Contrastive Continual Learning for IoT Systems
本文研究了物联网系统中对比持续学习的后门攻击问题，分析了攻击机制并提出针对性的防御策略。
2026-02-13 cs.CR cs.LG cs.NI
AntibIoTic: Protecting IoT Devices Against DDoS Attacks
2016年是向世界展示分布式拒绝服务攻击有多危险的一年。DDoS攻击破坏性的衡量标准是所涉及的僵尸程序的数量：僵尸网络越大，攻击越强大。这一特性，以及连接和不安全的物联网设备的可用性不断增加，使DDoS和物联网成为恶意软件行业的完美组合。在本文中，我们介绍了AntibIoTic背后的主要思想，这是一种预防通过物联网设备进行DDoS攻击的姑息性解决方案。
2017-06-28 cs.CR cs.CY
An Experimental Analysis of Attack Classification Using Machine Learning in IoT Networks
Edinburgh Napier University（爱丁堡龙比亚大学）；Namal Institute（纳马尔学院）；Yangzhou University（扬州大学）；King Fahad Naval Academy（法赫德国王海军学院）；Beijing Institute of Technology（北京理工大学）
近年来，物联网（IoT）设备的数量以及这些设备生成的数据数量大幅增加。物联网网络中的参与设备由于其资源受限的性质而可能存在问题，并且在这些设备上集成安全性往往被忽视。这导致攻击者有更大的动机瞄准物联网设备。随着网络上可能的攻击数量的增加，传统的入侵检测系统（IDS）越来越难以有效地应对这些攻击。在本文中，我们突出了几个机器学习（ML）方法，如k-近邻（KNN），支持向量机（SVM），决策树（DT），朴素贝叶斯（NB），随机森林（RF），人工神经网络（ANN），和逻辑回归（LR），可用于入侵检测系统。在这项工作中，ML算法在Bot-IoT数据集上进行了二进制和多类分类的比较。基于准确度、精确度、召回率、F1得分和日志丢失等几个参数，我们对上述ML算法进行了实验比较。在HTTP分布式拒绝服务（DDoS）攻击的情况下，RF的准确率为99%。此外，基于其他模拟结果的精度，召回率，F1得分和日志丢失度量显示，RF优于所有类型的攻击在二进制分类。然而，在多类分类中，KNN优于其他ML算法，准确率为99%，比RF高4%。
2021-01-10 cs.CR cs.LG
A Novel Sybil Attack Detection Scheme Based on Edge Computing for Mobile IoT Environment
物联网（IoT）通过信息传感设备将所有物品连接到互联网，以交换信息进行智能识别和管理。Sybil攻击是物联网中一种著名的严重攻击。以前大多数检测物联网中Sybil攻击的方法主要集中在静态物联网上，而适用于移动物联网的方法非常少。针对移动物联网中的Sybil攻击，提出了一种基于边缘计算的轻量级分布式检测方案。在所提出的方案中，检测包括两轮。在每一轮中，成员节点需要向边缘节点发送数据包。边缘节点计算来自第一轮的接收信号强度指示（RSSI）的可能间隔，并检查来自第二轮的RSSI是否在该间隔内以检测Sybil攻击。广泛的实验研究表明，所提出的方法优于许多现有的方法在真检测和误检测率。此外，实验结果表明，该方法中的容错设计大大提高了检测方案。
2022-04-24 cs.CR
On Runtime Software Security of TrustZone-M based IoT Devices
物联网（IoT）设备已经越来越多地融入我们的日常生活。然而，这样的智能设备遭受广泛的攻击面。特别是，如果物联网设备使用资源受限的微控制器（MCU），则在运行时针对设备软件的攻击具有挑战性。TrustZone-M是MCU的TrustZone扩展，是一种新兴的安全技术，可增强基于MCU的物联网设备。本文首次对启用TrustZone-M的MCU中的潜在软件安全问题进行了安全分析。我们探讨了基于堆栈的缓冲区溢出（BOF）攻击的代码注入，面向返回的编程（ROP）攻击，基于堆的BOF攻击，格式字符串攻击，和攻击非安全可调用（NSC）的上下文中的TrustZone-M的功能。我们使用启用TrustZone-M的SAM L11 MCU验证这些攻击。还讨论了减轻这些软件攻击的策略。
2020-07-12 cs.CR
RESTRAIN: Reinforcement Learning-Based Secure Framework for Trigger-Action IoT Environment
Old Dominion University（奥多明尼昂大学）；Wichita State University（威奇托州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出平台无关的多智能体在线防御系统RESTRAIN，利用强化学习在运行时优化防御策略，以应对物联网触发-动作环境中的远程注入攻击，实现实时防御并最大化安全收益。
2025-03-12 cs.AI cs.CR
Adaptive Intrusion Detection for Evolving RPL IoT Attacks Using Incremental Learning
Istanbul Technical University, Faculty of Computer（伊斯坦布尔技术大学计算机学院）；Memorial University（纪念大学）
本文研究了RPL网络中针对新兴攻击的增量学习方法，通过评估五种模型家族，证明增量学习能恢复新攻击检测性能并减少训练时间，提升物联网网络的鲁棒性。
2025-11-14 cs.CR cs.LG
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
Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
Department of Telecommunication, Kwame Nkrumah University of Science and Technology (KNUST), Kumasi, Ghana（电信系，科克伦大学科学与技术学院（KNUST），加纳库马西）
本研究评估了四种常用分类器在数据中毒攻击下的鲁棒性，发现集成模型较稳定，而逻辑回归和深度神经网络在标签操纵和异常值攻击下性能下降达40%，强调了对抗训练和异常监控的重要性。
2026-04-15 cs.AI cs.CR
Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base
San Francisco State University（旧金山州立大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
针对物联网DDoS攻击检测难题，提出基于设备端大语言模型（ODLLM）结合特征排序知识库的框架，实现高效准确检测，并在边缘计算中展现优越性能。
2025-03-27 cs.AI cs.CR cs.NI
Unraveling Attacks in Machine Learning-based IoT Ecosystems: A Survey and the Open Libraries Behind Them
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Deep Red Future Technology Co. Ltd.（深红未来科技有限公司）；CSIRO（澳大利亚联邦科学与工业研究组织）；University of Saskatchewan（萨斯喀彻温大学）；Sichuan University（四川大学）
该研究全面综述了物联网生态中机器学习集成带来的各类安全攻击，按攻击者模型等标准分类，评估65个相关安全库，为物联网ML安全防护提供见解与工具参考。
2024-01-27 cs.AI cs.CR
Quantitative Analysis of DoS Attacks and Client Puzzles in IoT Systems
拒绝服务（DoS）攻击是当今互联网的主要安全威胁。这一挑战与物联网（IoT）尤其相关，因为设备的计算能力、内存和安全机制都较低，无法缓解DoS攻击。本文提出了一个模型，模仿物联网设备网络的独特特征，包括实现“加密谜题”的系统组件-一种DoS缓解技术。我们在系统上创建了一个模拟的DoS攻击，并进行了定量分析，以模拟这种攻击可能对系统产生的影响，评估物联网系统中安全性和吞吐量之间的权衡。我们通过PRISM中的随机模型检验对此进行建模，并提供证据支持这一点，作为一种有价值的方法来比较物联网系统不同实现的效率，并通过案例研究进行了说明。
2017-10-30 cs.CR
IoT Network Security from the Perspective of Adversarial Deep Learning
Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech（弗吉尼亚理工大学）
机器学习在物联网（IoT）网络中有着丰富的应用，例如信息检索、流量管理、频谱感测和信号认证。虽然人们对理解机器学习的安全问题的兴趣激增，但它们对无线应用的影响尚未被理解，例如由于无线通信的开放和广播性质而容易受到各种攻击的物联网系统中的无线应用。为了支持具有不同优先级的异构设备的物联网系统，我们提出了基于对抗性机器学习的新技术，并将其应用于三种类型的空中（OTA）无线攻击，即干扰，频谱中毒和优先级违规攻击。通过观察频谱，攻击者从探索性攻击开始，通过构建预测传输结果的深度神经网络分类器来推断物联网发射机的信道接入算法。基于这些预测结果，无线攻击继续通过空中干扰数据传输或操纵感测结果（通过在感测阶段期间进行发送），以欺骗发送器在测试阶段做出错误的发送决策（对应于规避攻击）。当IoT发射器收集感测结果作为训练数据以重新训练其信道接入算法时，对手发起因果攻击以通过空中操纵到发射器的输入数据。我们发现，这些具有不同能量消耗和隐蔽性的攻击会导致物联网系统无线通信的吞吐量和成功率显著下降。然后，我们引入了一个防御机制，系统地增加了对手的不确定性在推理阶段，提高了性能。研究结果为如何使用深度学习攻击和防御物联网网络提供了新的见解。
2019-05-31 cs.CR cs.LG cs.NI
Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
Badji Mokhtar Annaba University（巴吉·穆克塔尔·安纳巴大学）；University of La Rochelle（拉罗谢尔大学）；National Higher School of Technology and Engineering（国家技术与工程高等学院）
本研究提出一种结合LLMs与LSTM的主动网络入侵预测框架，利用微调GPT预测流量、微调BERT评估预测，并由LSTM识别恶意数据包，在CICIoT2023数据集上达到98%准确率，有效提升IoT网络安全。
2024-08-26 cs.AI cs.CR
VEXAIoT: Autonomous IoT Vulnerability EXploitation using AI Agents
Department of Computer Science Tennessee Tech University Cookeville, TN, USA；School of Interdisciplinary Informatics University of Nebraska Omaha Omaha, NE, USA；1 Department of Computer Science, Tennessee Tech University, TN, USA.；2 School of Interdisciplinary Informatics, University of Nebraska Omaha, NE, USA.；3 Dept. of Mathematics \& Computer Science, University of North Carolina at Pembroke, NC, USA.
研究针对物联网系统漏洞，提出VEXAIoT自主多代理框架，利用大语言模型推理和进攻性安全工具，结合漏洞检测与攻击执行代理，在特定环境评估中取得高成功率，证明其可实现物联网漏洞评估及安全工作流程自动化。
2026-07-13 cs.AI cs.CR
A First Step Towards Understanding Real-world Attacks on IoT Devices
随着物联网（IoT）设备的快速增长，必须主动了解它们面临的现实网络安全威胁。本文描述了我们建立蜜罐生态系统的初步努力，作为收集和分析针对物联网设备的真实攻击数据的手段。蜜罐产生有用见解的主要条件是让攻击者相信他们是人类和组织使用的真实系统。物联网设备在这方面提出了独特的挑战，由于各种各样的设备类型和物理连接性的性质。因此，我们创建了一个多阶段的方法来构建蜜罐生态系统，研究人员可以通过观察现实世界中攻击者的行为来逐渐提高低交互蜜罐在模拟物联网设备方面的复杂性。我们在内部和云中部署了蜜罐，并提供了相关的分析和审查基础设施，以确保这些蜜罐无法被轻易识别，并且看起来像是真实的系统。通过这样做，我们能够吸引越来越复杂的攻击数据。我们提出了这个蜜罐生态系统的设计和我们对攻击数据的观察。我们的数据显示，现实世界的攻击者正在明确地攻击物联网设备，一些捕获的活动似乎涉及直接的人类交互（而不是脚本化的自动活动）。我们还为物联网摄像头构建了一个低交互的蜜罐，称为Honeycamera，它向攻击者呈现看似真实的视频。这是我们朝着建立一个更全面的蜜罐生态系统迈出的第一步，这将使研究人员能够具体了解攻击者在物联网设备上的目标，以便更积极地保护它们。
2020-03-02 cs.CR
Shakedown: compiler-based moving target protection for Return Oriented Programing attacks on an industrial IoT device
网络犯罪分子使用面向返回的编程技术来攻击系统和物联网设备。虽然已经开发了防御措施，但并非所有防御措施都适用于受限设备。我们介绍了Shakedown，这是一个编译时随机构建工具，它创建了几个版本的二进制文件，每个版本都有不同的内存布局。针对一个设备开发的攻击不会在具有不同内存布局的另一个设备上起作用。我们在一个工业物联网设备上测试了Shakedown，结果表明，在阻止漏洞利用的同时，其正常功能保持不变。
2018-10-11 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
How To Mitigate And Defend Against DDoS Attacks In IoT Devices
本文分析了IoT网络中DDoS攻击的性质与影响，提出了包含IPv6 ULA、边缘计算、SDN、蜜罐欺骗和基于机器学习的入侵检测系统等分层缓解策略，以帮助工程师和研究人员实施实用对策保护IoT基础设施。
2025-07-15 cs.CR
Security Framework for IoT Devices against Cyber-Attacks
物联网（IoT）是通过互联网将具有不同应用领域的异构智能设备互连。智能设备的数量庞大和网络的复杂性使得设备之间的数据和通信变得不可能。各种传统的安全控制不足以防止对这些信息丰富的设备的大量攻击。随着加强现有的方法，外围防御，入侵检测系统（IDS），证明在大多数情况下是有效的。然而，传统的IDS方法是不适合的，以减轻不断出现的零日攻击。能够检测不熟悉的入侵的智能机制似乎是一个有前景的解决方案。本文探讨了针对物联网架构的流行攻击及其相关防御机制，以确定针对不同网络实践和攻击类别的适当保护措施。此外，物联网架构的安全框架提供了一系列安全增强技术。
2019-11-26 cs.CR
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
Detecting FDI Attack on Dense IoT Network with Distributed Filtering Collaboration and Consensus
物联网的兴起使得越来越多的个性化服务的发展成为可能，例如经常处理大量数据的工业服务。然而，随着物联网的发展，其威胁也越来越大。虚假数据注入（FDI）攻击是对物联网等数据网最有害的攻击之一。目前处理这种攻击的大多数系统都没有考虑到数据验证，特别是在数据聚类服务上。这项工作引入了CONFINIT，这是一种针对密集物联网数据传播服务的FDI攻击的入侵检测系统。它结合了看门狗监控和物联网设备之间的协作共识，以快速检测攻击者。在NS-3模拟器中对CONFINIT进行了密集工业物联网的评估，它的检测率为99%，假阴性率为3.2%，假阳性率为3.6%，在没有FDI攻击者的情况下，检测率高达35%。
2020-10-29 cs.CR cs.DC cs.NI
Distributed Ledger Technology for IoT: Parasite Chain Attacks
基于有向无环图（DAG）的分布式分类账在物联网领域的许多应用中都很有用。分布式账本应该作为不可变和不可逆的交易记录，然而，DAG结构是一个比区块链更复杂的数学对象，因此，提供不变性和不可逆性的保证更加复杂。在本文中，我们分析了一种常见的攻击场景，称为基于IOTA Foundation DAG的分类帐的寄生链攻击。我们使用矩阵模型分析了IOTA核心MCMC算法的有效性，并提出了一个扩展，该扩展提高了账本对这些攻击的抵抗力。
2020-11-10 cs.CR cs.DC
