Attack-Graph Threat Modeling Assessment of Ambulatory Medical Devices
技术不断融入社会的各个方面,突出表明需要查明和了解吸收新技术的风险。当技术用于医疗目的时,如用于监测患者生命体征的移动设备,这种必要性就更高了。这种集成创造了有利于恶意活动的环境。潜在的影响给医学界带来了新的挑战。因此,本研究提出了攻击图建模作为一种可行的解决方案,以识别漏洞,评估风险,并形成缓解策略,以保护流动医疗设备免受攻击。在文献中确定了与移动设备(包括蓝牙传感器和Android应用程序)的各个方面相关的常见和频繁漏洞和攻击策略。基于此分析,本研究提出了一个攻击图建模的理论设备,突出的漏洞和缓解策略,以考虑在设计具有类似组件的移动设备时的例子。
2017-09-15 cs.CR
Analysis of Location Data Leakage in the Internet Traffic of Android-based Mobile Devices
近年来,我们目睹了向针对移动终端用户的个性化的、基于上下文的应用和服务的转变。这些服务中的许多服务的关键组成部分是基于嵌入在设备中的位置传感器来推断用户的当前位置并预测用户的未来位置的能力。这些知识使服务提供商能够向其用户提供相关和及时的报价,并更好地管理流量拥塞控制,从而提高客户满意度和参与度。然而,这些服务遭受位置数据泄漏,这已成为智能手机用户当今最关注的隐私问题之一。在本文中,我们特别关注Android应用程序通过明文形式的互联网网络流量暴露的位置数据(即,没有加密)而没有用户的意识。我们提出了一个实证评估,涉及真实的移动终端用户的网络流量,旨在:(1)测量基于Android的智能手机设备的互联网流量的位置数据泄漏的程度;(2)通过推断用户的兴趣点(POI),了解这些数据的价值。这是通过分析71名参与者的智能手机记录的平均37天的互联网流量来实现的。我们还提出了一个从原始网络流量中挖掘和过滤位置数据的过程,并利用地理位置聚类方法来推断用户的POI。这项研究的主要发现集中在这种现象的普遍性和严重性方面;我们发现,超过85%的用户设备正在泄漏位置数据,并且从相对稀疏的泄漏指标得出的用户POI的暴露率约为61%。
2018-12-12 cs.CR
IoT Inspector: Crowdsourcing Labeled Network Traffic from Smart Home Devices at Scale
灵巧家庭设备的普及为无处不在的计算的实证研究创造了新的机会,范围从安全和隐私到个人健康。然而,来自灵巧家庭部署的数据很难获得,并且现有的灵巧家庭设备的经验研究通常仅涉及实验室设置中的少量设备。为了有助于数据驱动的灵巧家庭研究,我们众包了来自现实家庭网络中的灵巧家庭设备的标记网络流量的最大已知数据集。为此,我们开发并发布了IoT Inspector,这是一个开源工具,允许用户观察自己家庭网络上灵巧家庭设备的流量。自2019年4月以来,已有4,322名用户安装了IoT Inspector,使我们能够收集来自13个类别和53家供应商的44,956台灵巧家庭设备的标记网络流量。我们通过两个专注于安全和隐私的案例研究,展示了这些数据如何使新的研究进入灵巧家庭。首先,我们发现许多设备供应商使用过时的TLS版本并宣传弱密码。第二,我们在智能电视上发现了大约350个不同的第三方广告商和跟踪域。我们还强调了其他可以利用IoT Inspector数据集的研究领域,如网络管理和医疗保健。为了促进未来在灵巧家庭中的可重复研究,我们将向公众发布IoT Inspector数据。
2019-09-21 cs.CR
Self-adaptive Traffic Anomaly Detection System for IoT Smart Home Environments
本文提出由蜜罐服务器与网关构成的 IoT 自适应流量异常检测系统,利用实时流量持续更新模型,以检测已知与未知网络攻击。
2024-03-05 cs.CR
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
A Smart Home is No Castle: Privacy Vulnerabilities of Encrypted IoT Traffic
被称为物联网(IoT)的专用互联网连接设备和电器的日益普及,带来了新的便利和新的隐私问题。与传统的Web浏览器不同,许多物联网设备都有始终在线的传感器,可以不断监控用户物理环境的细粒度细节,并影响设备的网络通信。被动网络观察者,如互联网服务提供商,可能会分析物联网网络流量,以推断有关用户的敏感细节。在这里,我们检查了四个物联网灵巧家庭设备(Sense睡眠监视器,Nest Cam室内安全摄像头,WeMo交换机和Amazon Echo),发现它们的网络流量率可以揭示潜在的敏感用户交互,即使流量被加密。这些结果表明,需要一种技术解决方案来保护物联网设备所有者的隐私,并且在围绕ISP数据汇集和使用的持续政策辩论中必须考虑物联网特定的问题。
2017-05-18 cs.CR
Every Byte Matters: Traffic Analysis of Bluetooth Wearable Devices
智能手表、健身追踪器和血压监测器等可穿戴设备处理、存储和传达与穿戴者的健康、生活方式、习惯和兴趣相关的敏感和个人信息。这些数据通过蓝牙连接与智能手机上运行的配套应用程序进行交换。在这项工作中,我们调查可以从可穿戴设备和其连接的智能手机之间的加密蓝牙通信的元数据(如数据包的时间和大小)推断出什么。我们表明,被动窃听者可以使用流量分析攻击来准确识别(a)通信设备,即使没有访问MAC地址,(b)人类行为(例如,监测心率,锻炼),(c)仅仅打开Wear OS智能手表上的特定应用(例如,打开医疗应用程序,这可以立即揭示佩戴者的状况),(d)细粒度动作(例如,记录胰岛素注射),其帮助糖尿病用户监测他们的状况,以及(e)通过在延长的时间段内连续监测佩戴者的流量来监测佩戴者的概况和习惯。我们通过收集多个可穿戴设备的蓝牙跟踪数据集,通过基于数据包大小和时间设计功能,并使用机器学习将加密流量分类为穿戴者执行的动作来运行流量分析攻击。然后,我们探讨标准的防御策略,我们表明,这些防御不提供足够的保护,对我们的攻击,并引入显着的成本。我们的研究强调需要重新思考应用程序如何通过蓝牙交换敏感信息,以尽量减少不必要的数据交换,并设计针对可穿戴环境的流量分析的新防御措施。
2021-05-24 cs.CR
A Developer-Friendly Library for Smart Home IoT Privacy-Preserving Traffic Obfuscation
在过去的几年里,互联网连接设备的数量和种类大幅增长,对安全和隐私提出了新的挑战。研究表明,网络攻击者可以使用来自消费者物联网设备的流量率元数据来推断敏感的用户活动。塑造流量以适应独立于用户活动的分布可以保护隐私,但由于需要开发人员的努力和开销带宽成本,这种方法很少被采用。在这里,我们为物联网开发人员提供了一个Python库,可以轻松地将隐私保护流量整形集成到他们的产品中。该库通过有效负载填充、碎片和随机覆盖流量的组合自动混淆设备流量模式,从而取代了标准网络功能。我们的库成功地保护了用户隐私,并且对于具有低发送速率或高延迟容限的物联网设备,需要大约4 KB/s的开销带宽。考虑到美国家庭的正常互联网速度,这种开销是合理的,并且是对现有解决方案带宽要求的改进。
2018-08-22 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
Towards Realistic Battery-DoS Protection of Implantable Medical Devices
现代植入式医疗设备(IMD)具有无线连接功能,这使得它们容易受到安全攻击。IMD特有的是电池拒绝服务攻击,攻击者的目标是通过连续的身份验证请求占用IMD来完全耗尽电池。基于能量收集的零功耗防御(ZPD)被认为是抵御这些攻击的出色保护。本文建立了必要的设计规范采用ZPD技术的IMD,提供了一个严格的审查ZPD技术在文献中发现,随后,开发全面的ZPD解决方案的重要建议。
2019-04-15 cs.CR
DeviceWatch: Identifying Compromised Mobile Devices through Network Traffic Analysis and Graph Inference
在本文中,我们建议从网络管理员的角度来识别受损的移动设备。通过不可信市场下载应用程序的无意用户(以及他们的设备)通常会通过应用程序内广告或网络钓鱼来安装恶意应用程序。因此,我们假设共享类似应用程序集的设备将具有类似的被入侵概率,从而导致被入侵设备与设备中的应用程序之间的关联。我们的目标是利用这种关联来识别未知的受损设备(即,设备可能目前还没有已知的恶意应用程序)。诚然,这种关联可能相当弱,因为应用程序在没有用户明确启动的情况下自动下载和安装其他应用程序通常很难(如果不是不可能的话)。我们描述了如何在应用基于图的推理时通过仔细选择参数来放大设备和应用程序之间的这种弱关联。我们经验表明,我们的方法的有效性与一个主要的移动服务提供商提供的移动网络流量的全面研究。具体而言,我们在AUC(ROC曲线下面积)方面达到了近98%的准确性。鉴于关联性相对较弱,我们通过将其与活动DNS数据进行比较,进一步深入分析了图推理方法的不同行为。此外,我们验证了我们的研究结果表明,检测到的受损设备确实存在不良行为方面的隐私泄漏和网络基础设施访问。
2019-11-27 cs.CR
Things that Matter -- Identifying Interactions and IoT Device Types in Encrypted Matter Traffic
Eindhoven University of Technology(埃因霍温理工大学);Bitdefender(比特(defender))
本文研究了在加密Matter流量中通过被动攻击识别交互和设备类型的可能性,发现即使在存在数据包丢失和延迟的情况下,也能以超过95%的准确率识别特定交互,并以至少88%的准确率识别设备类型。
2026-11-05 cs.CR
Energy-Aware Digital Signatures for Embedded Medical Devices
身份验证对于涉及敏感数据(例如,医疗和金融系统)。数字签名提供具有不可否认性和公共可验证性的可扩展身份验证,这对于此类物联网应用程序中的审计和争议解决是必要的。然而,数字签名已被证明对于低端IoT设备而言成本很高,特别是当嵌入式设备(例如,医疗植入物)必须在长时间不更换电池的情况下工作。我们提出了一个嵌入式医疗设备的能量感知签名(ESEM),实现了接近最佳的签名效率。ESEM签名生成不需要任何昂贵的操作(例如,椭圆曲线(EC)标量乘法/加法),但只有少量的常数数量的伪随机函数调用、加法和单个模乘。ESEM在具有相同私钥大小的基于EC的对等体中具有最小的签名大小。我们实现了这一点,通过消除使用的短暂的公钥(即承诺)在Schnorr型签名从签名通过一个分布式的结构,在验证者不与签名者,同时允许一个恒定大小的公钥。我们证明了ESEM是安全的(在随机预言模型中),并在医疗设备中常用的8位AVR微控制器上完全实现了它。我们的实验表明,ESEM的能效比最接近的同类产品高8.4倍,同时提供更小的签名和代码大小。因此,ESEM可以适用于部署在物联网中资源有限的嵌入式设备上。我们开源了我们的软件,供公众测试和广泛采用。
2019-03-19 cs.CR
A Secure Proxy-based Access Control Scheme for Implantable Medical Devices
随着医疗设备的快速发展,越来越多的患者将植入式医疗设备(IMD)安装在他们的身体中,用于诊断、监测和治疗目的。IMD在计算能力和电池容量方面非常有限。同时,IMD必须与外部编程器设备(即,IMD编程器)通过无线信道,这使他们面临未经授权的访问和恶意无线攻击的风险。在本文中,我们提出了一种基于代理的IMD细粒度访问控制方案,该方案可以通过将访问控制计算委托给代理设备(例如,智能手机)。在我们的方案中,代理通过音频电缆与IMD编程器进行通信,该音频电缆能够抵抗许多无线攻击。此外,我们使用密文策略基于属性的加密(CP-ABE),以加强细粒度的访问控制。所提出的方案是在真实的仿真设备上实现的,并通过实验测试进行评估。实验结果表明,该方案是轻量级的、有效的.
2018-06-30 cs.CR
Classification of Encrypted IoT Traffic Despite Padding and Shaping
众所周知,当物联网流量未加密时,可以根据其TCP/IP报头识别活动设备。当流量被加密时,数据包的大小和时间仍然可以用来加密。为了抵御这种指纹,引入了流量填充和整形。在本文中,我们证明了当使用整形和填充时,数据包大小分布仍然可以用于成功地对活动的物联网设备进行指纹识别,只要对手知道这些缓解措施已经部署,即使填充和整形参数的值是未知的。我们在分析中使用的主要工具是数据包大小的完整分布,而不是常用的统计数据,如均值和方差。我们进一步展示了一个外部对手如何只看到填充和整形流量的聚合和隐藏在NAT中间盒后面,可以准确地识别活动设备的子集,召回率和精度至少为96%。我们还表明,对手可以区分的时间窗口,只包含虚假的覆盖数据包的窗口与真正的设备活动,粒度为$1sec$时间窗口,81%的准确性。使用类似的方法,但现在在防御者方面,我们也能够检测由于Mirai蠕虫导致的物联网流量中的异常活动。
2021-10-21 cs.CR
Closing the Blinds: Four Strategies for Protecting Smart Home Privacy from Network Observers
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。具体而言,互联网服务提供商或邻居WiFi窃听者可以测量来自灵巧家庭设备的互联网流量速率,并推断消费者的私人家庭行为。在这里,我们提出了设备制造商和第三方可以采取的四种策略,以保护消费者免受侧信道流量速率隐私威胁:1)阻止流量,2)隐藏DNS,3)隧道流量,以及4)整形和注入流量。我们希望这些策略以及我们讨论的实施细节将为隐私敏感的灵巧家庭的未来发展奠定基础。
2017-05-18 cs.CR
Know Your Enemy: Characteristics of Cyber-Attacks on Medical Imaging Devices
目的:医学成像设备(MID),如磁共振成像(MRI)或计算机断层扫描(CT)机,广泛用于疾病的诊断、治疗和预防,在当今医学中发挥着重要作用。MID与医院网络的连接越来越多,这使得它们容易受到针对设备基础设施和组件的复杂网络攻击,这可能会破坏数字病历,并可能危及患者的健康。随着攻击者技能的提高,以及具有已知漏洞的未修补设备数量的增加,对MID的攻击可能会增加。攻击者还可能阻止访问MID或禁用它们,作为勒索软件攻击的一部分,这已被证明是成功的医院。方法和材料:我们与我国最大的健康维护组织合作,在恶意软件实验室进行了一项全面的风险分析调查,基于保密性、完整性和可用性(CIA)模型,以确定对MID的网络攻击的特征。该调查包括针对MID、医疗和成像信息系统以及DICOM和HL 7等医疗协议和标准的一系列漏洞和潜在攻击。结果:根据我们的调查,我们发现CT设备面临最大的网络攻击风险,因为它们在急诊护理成像中发挥着关键作用。因此,我们确定了几种可能的攻击媒介,目标是CT设备的基础设施和功能,这可能导致:1。CT设备内的扫描协议中使用的参数值的中断(例如,篡改辐射暴露水平); 2. CT设备的机械破坏(例如,改变音高); 3.破坏构成数字图像的断层扫描信号;以及4.针对CT设备的拒绝服务攻击。
2018-02-27 cs.CR
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
Keeping the Smart Home Private with Smart(er) IoT Traffic Shaping
灵巧家庭物联网(IoT)设备的激增为保护家庭内的隐私提出了前所未有的挑战。在本文中,我们证明了一个被动的网络观测器(例如,因特网服务提供商)可以通过分析来自商业上可获得的灵巧家庭设备的因特网业务来推断私人的家庭内活动,即使当这些设备使用端到端传输层加密时也是如此。我们评估常见的方法来抵御这些类型的流量分析攻击,包括防火墙,虚拟专用网络,和独立的链接填充,并发现没有足够的隐藏用户活动与合理的数据开销。我们开发了一种新的防御,“随机流量填充”(STP),这使得它很难一个被动的网络对手,以可靠地区分真正的用户活动从生成的流量模式,旨在看起来像用户的互动。我们的分析提供了一个理论上的限制对手的能力,准确地检测到真正的用户活动的功能的额外的覆盖流量所产生的防御技术。
2019-03-16 cs.CR
Can't you hear me knocking: Identification of user actions on Android apps via traffic analysis
随着智能手机的使用变得越来越普遍,人们也开始询问这种设备在多大程度上可以被恶意利用为“跟踪设备”。所关注的不仅是对手对设备进行物理或远程控制(例如,通过恶意应用程序),而且还与被动对手(没有上述能力)可以从设备通信中观察到的内容有关。后一个方向的工作旨在推断用户在其设备上安装的应用程序,或识别网络中特定用户的存在。在本文中,我们向前迈进了一步:我们调查在何种程度上是可行的,以确定用户在他的移动终端上做的具体行动,通过简单地窃听设备的网络流量。特别是,我们的目标是识别诸如在社交网络上浏览某人的个人资料,在朋友的墙上发布消息或发送电子邮件等行为。我们设计了一个系统,从加密的TCP/IP数据包开始实现这一目标:它通过识别网络流和应用机器学习技术来工作。我们做了一个完整的实现这个系统,并运行了一套完整的实验,这表明,它可以实现的准确性和精度高于95%,对于大多数考虑的行动。
2014-07-29 cs.CR
On Medical Device Cybersecurity Compliance in EU
欧盟市场上的医疗器械产品必须安全有效。为了确保这一点,医疗器械制造商必须遵守《医疗器械法规》(MDR)和《体外诊断医疗器械法规》(IVDR)带来的新监管要求。总的来说,新法规增加了监管要求和监督,特别是对医疗软件的要求,与网络安全相关的要求也是如此,这些要求现在在立法中得到明确解决。目前正在进行的重大立法变化,加上日益增加的网络安全要求,为制造商遵守监管框架带来了独特的挑战。在本文中,我们根据目前可用的指导文件审查了新的网络安全要求,并确定了可以建立网络安全合规性的四个核心概念。我们认为,这些核心概念构成了欧盟监管框架中网络安全合规性的基础。
2021-03-11 cs.CR cs.CY
Securing Smart Homes via Software-Defined Networking and Low-Cost Traffic Classification
物联网设备由于缺乏行业范围的安全标准,已成为各种网络攻击的热门目标。在这项工作中,我们专注于灵巧家庭物联网设备识别和防御分布式拒绝服务(DDoS)攻击。建议的框架通过使用基于VLAN的网络隔离来保护灵巧家庭。该架构有两个子网:一个是未验证的设备,另一个是已验证的设备,两者都由SDN控制器管理。轻量级的无状态流为基础的功能,包括TCP,UDP协议的百分比,数据包计数和大小,IP多样性比率,提出了有效的功能集合。执行进一步的分析以最小化要在灵巧家庭网络中的资源受限边缘设备上运行的训练数据。三种流行的机器学习算法,包括K-近邻,随机森林和支持向量机,用于对物联网设备进行分类并检测不同类型的DDoS攻击,包括TCP-SYN,UDP和DDoS攻击。该系统的有效性和效率通过模拟由Open vSwitch、Faucet SDN控制器和来自两个不同测试床的多个物联网设备跟踪组成的网络进行评估。
2021-06-16 cs.CR
A Bleeding Digital Heart: Identifying Residual Data Generation from Smartphone Applications Interacting with Medical Devices
医疗设备在日常生活中的整合促使人们认为,这些设备在民事和刑事诉讼中将越来越具有证据价值。然而,对这些设备的调查给数字取证界带来了新的挑战。此前的研究表明,移动设备为调查人员提供了丰富的信息。因此,在医疗环境中使用的移动设备可能提供用于调查和分析来自此类设备的数字证据的途径。本文的研究贡献是双重的。首先,它提供了使用智能手机应用程序的信息作为数字证据的可行性的实证分析,这些信息是为补充医疗设备而开发的。其次,它包括在与医疗设备交互的智能手机应用程序的数字取证调查中可能有用的工件的文档。
2019-01-11 cs.CR cs.CY
SAMD: A Tool for Identifying False Data Injection Scenarios in AI/ML-enabled Medical Devices
University of British Columbia(不列颠哥伦比亚大学);University of Virginia(弗吉尼亚大学);IIT Madras(马德拉斯理工学院);National Research Council Canada(加拿大国家研究委员会)
提出SAMD工具,基于STPA-Sec和LLM自动化识别AI/ML医疗设备设计阶段的虚假数据注入漏洞与攻击场景,在五个FDA批准设备上验证了高精度与效率。
2026-05-28 cs.CR
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
Safeguarding Smart Inhaler Devices and Patient Privacy in Respiratory Health Monitoring
本研究分析了智能吸入器等物联网医疗设备在呼吸健康监测中的可用性行为与技术漏洞,强调保护患者数据机密性,并呼吁在设备开发与部署中整合强大的安全措施。
2025-03-31 cs.CR
The Enemy Within: The Emerging Threats to Healthcare from Malicious Mobile Devices
随着无线网络的激增,移动设备和医疗设备越来越多地配备有无线接口,例如蓝牙和WiFi,以允许容易地访问和控制医疗设备。不幸的是,这种接口的存在和使用也使医疗设备暴露于来自恶意方的新攻击。来自恶意移动设备的新兴威胁是重大而严重的,因为攻击者可以从患者的医疗设备中窃取机密数据。此外,攻击者可以破坏医疗设备,并向医生提供错误的数据,或者向设备发出潜在的致命命令,甚至可能导致患者死亡。由于移动设备通常与患者非常接近(无论是在医院还是在家庭环境中),因此很难防止来自此类设备的攻击。在本文中,我们对移动设备对医疗设备和医疗保健基础设施的这种新威胁进行了系统分析。我们还对一家大型医院进行了全面的安全分析,并发现了潜在的漏洞。最后,我们提出了一套潜在的解决方案和防御此类攻击。
2012-10-08 cs.CR cs.NI
Evaluating Medical IoT (MIoT) Device Security using NISTIR-8228 Expectations
医疗机构(从小型诊所到大型HDO)如何评估临床环境中使用的医疗物联网(MIoT)的网络安全和隐私保护的遵守情况?本文提出了一种使用美国国家标准与技术研究所(NIST)的指导进行这种评估的方法。通过应用NISTIR 8228期望,可以定量评估网络安全和隐私保护,并确定与推荐标准的相对符合性。这种方法允许组织评估MiOT设备对IT系统构成的风险水平,并确定是否允许其在医疗保健/IT环境中使用。本文回顾了物联网/MiOT网络安全和隐私保护的现状,使用历史和当前的行业指南和最佳实践;联邦机构的建议; NIST出版物;和联邦法律。然后,它介绍了物联网/MiOT设备和“传统”(或经典)信息技术(IT)硬件之间的相似性和差异,并列举了物联网/MiOT对网络安全和隐私保护构成的几个挑战。最后,提供了一种评估网络安全和隐私保护的实用方法,以及验证评估结果的增强功能。这样做将证明其总体符合NIST指南和HIPAA/HITECH要求。
2021-05-25 cs.CR
Traffic-aware Patching for Cyber Security in Mobile IoT
物联网(IoT)中的各种类型的通信技术和移动性特征一方面实现了富有成效和有吸引力的应用,但另一方面促进了恶意软件的传播,从而为网络安全处理IoT授权的恶意软件提出了新的挑战。与传统无线网络中节点可以直接修复和保护的恶意软件传播控制方案相比,在物联网中,受损的终端设备很难被修补。或者,通过修补中间结点来阻止恶意软件被证明是更可行和实用的解决方案。具体而言,修补中间结点可以通过保护基础设施链路并将恶意软件传播限制为本地设备到设备传播来有效地防止恶意软件传播的扩散。提出了一种新的流量感知的修补方案,选择重要的中间结点进行修补,适用于修补资源有限、响应时间受限的物联网系统。在物联网网络中的真实跟踪数据集上进行实验,以证明所提出的流量感知补丁方案在减轻恶意软件传播方面的优势。
2017-03-15 cs.CR
Automating Internet of Things Network Traffic Collection with Robotic Arm Interactions
Colgate University(科尔盖特大学);University of Chicago(芝加哥大学)
消费者物联网研究通常涉及收集物联网设备发送或接收的网络流量。这些数据通常通过众包收集,或者研究人员在实验室环境中手动与物联网设备交互时收集。然而,手动交互和众包通常繁琐、昂贵、不准确,或者不能全面覆盖可能的物联网设备行为。我们提出了一种使用机器人手臂自动化用户与设备交互来生成物联网网络流量的新方法。这消除了手动按钮按下,并启用基于排列的交互序列,严格探索可能的设备行为的范围。我们使用Arduino控制的机器人手臂,智能扬声器和智能恒温器测试这种方法,使用机器学习来证明收集的网络流量包含有关设备交互的信息,这些信息可能对网络,安全或隐私分析有用。我们还提供源代码和文档,使研究人员能够在未来的研究中轻松自动化物联网设备交互和网络流量收集。
2022-10-12 cs.CR cs.NI cs.RO
Classification of Smartphone Users Using Internet Traffic
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
如今,智能手机设备被大部分人口所拥有,并且已经成为访问互联网的非常流行的平台。智能手机为用户提供即时访问信息和服务。但是,它们很容易使用户面临许多隐私风险。安装在设备上的应用程序和能够访问设备互联网流量的实体可能会泄露智能手机用户的私人信息,并窃取存储在设备上或由设备通过互联网传输的敏感内容。在本文中,我们提出了一种方法来揭示各种人口统计和技术的智能手机用户的计算机技能,他们的互联网流量记录,使用机器学习分类模型。我们实施和评估的方法对智能手机用户的现实生活中的数据,并表明,智能手机用户可以按其性别,吸烟习惯,软件编程经验,和其他特征进行分类。
2017-01-01 cs.CR cs.LG
Supervising Smart Home Device Interactions: A Profile-Based Firewall Approach
针对MUD标准无法描述智能家居设备交互流量模式的弱点,提出一种更具表达性的设备配置文件语言,可转换为基于NFTables的轻量级防火墙代码,在准确阻止异常流量的同时仅产生可忽略延迟。
2024-01-23 cs.CR cs.NI
A New Methodology for Information Security Risk Assessment for Medical Devices and Its Evaluation
随着技术向更加互联和数字化的环境发展,医疗设备越来越多地连接到医院网络和互联网,这使它们以及使用它们的患者面临新的网络安全威胁。目前,缺乏专门用于医疗器械信息安全风险评估的方法。在这项研究中,我们提出了威胁识别,基于本体的可能性,严重性分解和风险集成(TLDR)的方法,信息安全风险评估的医疗设备。TLDR方法使用以下步骤:(1)识别医疗设备的潜在易受攻击的组件,在这种情况下,是四种不同的医疗成像设备(MID);(2)识别潜在的攻击,在这种情况下,是对MID的23种潜在攻击;(3)将发现的攻击映射到已知的攻击本体中-在这种情况下,是通用攻击模式枚举和分类(CAPEC);(4)在高级医疗保健信息安全专家(ISE)小组的帮助下估计映射的CAPEC在医疗领域中的可能性;(5)计算每个攻击的基于CAPEC的可能性估计;(6)将每个攻击分解为若干严重性方面并为其分配权重;(7)在一个高级医学专家小组的协助下,评估每一次攻击的每一个严重性方面的影响程度;(8)计算每一次攻击的综合严重性评估;最后,(9)将每一次攻击的可能性和严重性与其风险相结合,从而确定其优先级。第六步至第八步的细节超出了当前研究的范围;在目前的研究中,我们用单步的取代了它们,包括询问ME小组[在这种情况下,放射科医生],来评估每一次攻击的整体严重性,并将其作为其严重性。
2020-02-17 cs.CR cs.CY
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
Digital Investigation of Security Attacks on Cardiac Implantable Medical Devices
心脏植入式医疗器械(IMD)是一种通过手术植入患者体内,并由处方医师和医生使用外部程控仪进行无线配置的器械。由于使用了易受攻击的无线通信和安全协议,以及IMD上缺乏安全保护机制,因此可以针对这些设备进行一系列致命攻击。在本文中,我们提出了一个系统的致命攻击的情况下,针对心脏IMD的尸检分析。这样一个系统在同一个框架中调和了技术研究者得出的结论和病理学家得出的推论。一个推理系统集成了一个库的医疗规则被用来自动推断潜在的医疗情况下,可能会导致病人的死亡。一个模型检验为基础的正式技术,允许重建的IMD上的潜在技术攻击的情况下,从收集的证据,也提出了。通过这两种技术获得的结果之间的相关性可以证明潜在的攻击场景是否是患者死亡的来源。
2014-10-16 cs.CR cs.LO
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
Detecting Compressed Cleartext Traffic from Consumer Internet of Things Devices
Princeton University(普林斯顿大学)
数据加密是保护消费者设备互联网通信隐私不受网络观察者侵犯的主要方法。因此,自动检测网络流量中未加密数据的能力是审计互联网连接设备的重要工具。现有的方法识别包含明文的网络数据包,但不能区分包含加密数据的数据包与包含压缩的未加密数据的数据包,这可以通过反转压缩算法来容易地恢复。这使得消费者保护倡导者很难识别以压缩未加密格式发送敏感数据的设备。在这里,我们提出了第一种技术,以自动区分加密的压缩未加密的网络传输的每个数据包的基础上。我们应用了三种机器学习模型,并使用在原始数据包数据上训练的卷积神经网络实现了最高66.9%的准确率。这个结果是这个以前未研究的机器学习问题的基线,我们希望这将激发进一步的关注和准确性的提高。为了促进对这一主题的持续研究,我们向公众提供了我们的训练和测试数据集。
2018-05-07 cs.CR cs.LG
POKs Based Secure and Energy-Efficient Access Control for Implantable Medical Devices
植入式医疗器械(IMD),如起搏器、植入式心脏起搏器和神经刺激器,是植入患者体内用于监测生理信号和执行医疗治疗的医疗器械。许多IMD具有内置无线通信模块,以便于外部程控仪进行数据收集和器械重新程控。无线通信为诸如实时和远程监控的高级应用带来了显著的便利,但也引入了未经授权的无线访问的风险。缺乏有效的访问控制机制使患者的生活暴露于网络攻击。在本文中,我们提出了一个轻量级的和普遍适用的访问控制系统的IMD。通过利用物理混淆密钥(POK)作为硬件信任根,基于标准加密原语实现可证明的安全性,同时实现高能效。此外,通过利用患者的生物特征信息,实现了紧急情况下的无障碍IMD访问。我们通过广泛的安全性分析和原型实现来评估我们提出的方案,这表明我们的工作在安全性和能源效率方面的优越性。
2020-02-16 cs.CR cs.NI
Detection and Mitigation of Attacks on Transportation Networks as a Multi-Stage Security Game
近年来,最先进的交通控制设备已经从独立的硬件发展到联网的智能设备。智能交通控制使运营商能够通过获取实时交通数据并将交通信号从固定时间表更改为自适应时间表来减少交通拥堵和对环境的影响。然而,这些功能无意中使流量控制暴露于各种网络攻击,对手可以通过无线网络甚至通过互联网轻松安装。事实上,最近的研究发现,在实践中部署的大量交通信号存在可利用的漏洞,对手可能会利用这些漏洞来控制设备。由于大多数设备都采用了基于硬件的故障保护,对手无法通过将受损信号设置为危险配置来直接造成交通事故。尽管如此,对手可以通过改变受损交通信号的时间表来造成灾难性的交通拥堵,从而有效地削弱交通网络。为了保护交通网络免受这些攻击提供理论基础,我们引入了一个博弈论模型的发射,检测和减轻攻击,篡改交通信号时刻表。我们发现,找到最佳策略是一个计算上具有挑战性的问题,我们提出了有效的启发式算法,找到接近最佳的策略。我们还介绍了一个基于高斯过程的异常检测器,它可以提醒运营商正在进行的攻击。最后,我们评估我们的算法和建议的检测器使用基于SUMO交通模拟器的数值实验。
2019-08-02 cs.CR cs.GT
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
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
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
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
Evaluating the Role of Security Assurance Cases in Agile Medical Device Development
本研究针对医疗器械网络安全合规需求,评估了CASCADE方法在大型厂商敏捷开发中构建安全保障案例(SACs)的适用性,明确了整合路径并验证其符合ISO 14971等行业标准。
2024-07-10 cs.CR cs.SE
Cybersecurity of AI medical devices: risks, legislation, and challenges
KU Leuven Centre for IT & IP Law(鲁汶大学IT与知识产权法中心);University of Strathclyde(斯特拉斯克莱德大学)
医疗设备和人工智能系统迅速改变了医疗保健服务。与此同时,由于其性质,医疗设备中或作为医疗设备的人工智能可能会受到网络攻击,从而导致患者安全和安全风险。本书第一章分为三个部分。第一部分首先介绍网络安全在医疗保健中的作用。然后,我们简要定义了当我们谈论人工智能时所指的是什么,人工智能本身被认为是医疗设备或支持医疗设备。为了说明这些医疗设备带来的风险,我们提供了三个例子:数据集中毒,社会工程和数据或源代码提取。在第二部分中,本文概述了与确保医疗器械中AI网络安全相关的欧盟监管框架(MDR、NIS指令、网络安全法案、GDPR、AI法案提案和NIS 2指令提案)。最后,本文第三部分探讨了欧盟监管框架可能带来的挑战。特别是,我们期待着这两项立法提案所带来的挑战,以及它们与有关人工智能医疗设备网络安全的现有立法的相互作用。它们的结构是对以下问题的回答:(1)人工智能法案将如何与MDR在网络安全和安全要求方面相互作用?(2)我们应该如何解释NIS 2指令提案和MDR中的事件通知要求?以及(3)关键基础设施不断演变的条件会产生什么后果?[This这是一个章节的草稿。最终版本将在Barry Solaiman & I编辑的《健康、人工智能和法律研究手册》中提供。格伦·科恩,即将出版的2023年,爱德华埃尔加出版有限公司]
2023-03-06 cs.AI cs.CR cs.CY
Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway
DEIB, Politecnico di Milano(Politecnico di Milano 工程学院);University College London(伦敦大学学院学院);Imperial College London(伦敦帝国学院)
本文提出 ML-IoTrim 系统,利用机器学习在边缘分析网络行为并分类网络目的地,实现智能家居中非必要 IoT 流量的检测与阻止,无需传统允许列表即可保护隐私并支持大规模部署。
2025-04-22 cs.CR cs.LG
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
Towards Evaluating the Security of Wearable Devices in the Internet of Medical Things
本文针对医疗物联网中可穿戴给药设备因联网、计算资源有限易受网络威胁的问题,为可穿戴输液泵实现了一套安全方案,梳理了落地挑战并提出初步缓解对策,以保障患者安全。
2023-12-13 cs.CR cs.SY eess.SY
Systems-Theoretic and Data-Driven Security Analysis in ML-enabled Medical Devices
The University of British Columbia(不列颠哥伦比亚大学);University of Virginia(弗吉尼亚大学);Indian Institute of Technology Madras(马德拉斯印度理工学院);National Research Council Canada(加拿大国家研究委员会)
本文针对机器学习医疗设备在上市前阶段的网络安全挑战,通过分析公开数据并提出一套工具与技术,支持安全分析师进行风险评估,以将网络安全嵌入设备设计核心。
2025-06-18 cs.CR cs.ET cs.LG
HW/SW Framework for Improving the Safety of Implantable and Wearable Medical Devices
可植入和可穿戴医疗设备(IWMD)被广泛用于监测和治疗越来越多的医疗状况。低功耗处理器、更复杂的固件和无线连接的进步使医疗设备的改进大大改善了治疗效果和患者的生活质量。然而,安全攻击、故障和有时的用户错误引起了人们对国际大规模毁灭性武器安全的极大关注。在这项工作中,我们提出了一个硬件/软件一种用于改进IWMD的安全性的(硬件/软件)框架,其中,使用一组安全规则和规则检查机制来监视外部状态(由IWMD感测的患者的生理参数)和IWMD的内部状态(微控制器的I/O活动)来推断可能由用户错误、软件错误或安全攻击触发的不安全操作。我们讨论了如何实现这种方法的背景下,人工胰腺与无线连接,并实现了一个原型,以证明其有效性,提高安全性在适度的开销。
2021-02-28 cs.CR cs.SY eess.SY
Supporting Cybersecurity Risk Management for Medical Devices via the SECUMAN Ontology and Shapes
Faculty of Computer Science, TU Dresden(德累斯顿工业大学计算机学院);Else Kröner Fresenius Center for Digital Health(Else Kröner Fresenius数字健康中心);secunet Security Networks AG(secunet安全网络股份公司)
研究针对医疗设备网络安全风险管理文档维护难的问题,提出SECUMAN本体与形状,结合OWL和SHACL实现文档初验、可追溯性及集成,对齐相关标准与本体并扩展网络安全相关概念。
2026-08-04 cs.AI cs.CR
Analysis of the Communication Traffic for Blockchain Synchronization of IoT Devices
区块链是一种独特的技术,适合在物联网(IoT)生态系统中支持大量交易和智能合约,这要归功于分散的会计机制。在区块链网络中,账户的状态由验证器节点存储和更新,以点对点的方式互连。物联网设备的特点是相对较低的计算能力和低功耗,以及零星和低带宽的无线连接。IoT设备连接到一个或多个验证器节点以观察或修改帐户的状态。为了与账户的最新状态进行交互,设备需要与验证器节点存储的区块链副本同步。在这项工作中,我们描述了通用架构和同步协议,使物联网端点同步到区块链,具有不同的通信成本和安全级别。我们的模型和分析特征的同步协议所产生的流量,并通过数值模拟研究功耗和同步权衡。据我们所知,这是第一项严格模拟无线连接在区块链驱动的物联网系统中的作用的研究。
2018-02-12 cs.CR cs.IT math.IT
IMDfence: Architecting a Secure Protocol for Implantable Medical Devices
在过去的十年中,由于各种现有设备中发现的大量网络安全漏洞,对植入式医疗设备(IMD)的安全和隐私方面的关注有所加强。然而,由于其严格的计算,能量和物理约束,传统的安全协议是不直接适用于IMD。然而,已经提出了定制的方案,这些方案未能涵盖现代IMD及其生态系统迫切需要的全部安全功能。在本文中,我们提出了IMDfence,IMD生态系统的安全协议,提供了一个全面而实用的安全组合,其中包括可用性,不可否认性,访问控制,实体认证,远程监控和系统的可扩展性。该协议还允许紧急访问,导致所提供服务的优雅降级,而不会影响安全性和患者安全。安全协议的性能以及其可行性和对现代IMD的影响进行了广泛的分析和评估。我们发现,IMDfence实现了上述安全要求,仅增加不到7%的IMD总能耗,并在系统延迟和内存占用分别增加不到14 ms和9 kB。
2020-08-13 cs.CR cs.CY
Medical Image Data Provenance for Medical Cyber-Physical System
ANSK School of Information Technology(ANSK信息技术学院);Indian Institute of Technology Delhi(印度理工学院德里分校)
本研究提出利用水印技术将设备指纹(DFP)嵌入移动成像设备捕获的原始图像中,并引入鲁棒的远程验证方法,有效确保了医疗信息物理系统等互联环境中医学图像数据的溯源、真实性与完整性。
2024-03-22 cs.CR cs.CV