.png){kind=icon}
返回
Fingerprinting IP-Connected Devices Using Machine Learning and Deep Learning Models
.png){kind=icon}
OA
AI
DOI：10.1109/ojies.2026.3704910.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设备指纹识别技术赋能各类资产管理场景。本研究对使用公开可用的网络映射器（Nmap）操作系统（OS）数据库进行IP连接设备指纹识别的机器学习（ML）和深度学习（DL）方法进行了全面评估。聚焦于三个关键设备特征的分类，即操作系统族、厂商和设备类型，将指纹识别视为一个多类分类问题。评估了包括六种经典ML模型和五种深度神经网络（DNN）架构在内的十一种算法的性能。实验探讨了数据不平衡的影响，采用了合成少数过采样技术（SMOTE）和自适应合成（ADASYN）进行合成数据增强。实证结果表明，基于树的ML模型（如决策树、随机森林和极端梯度提升）在显著低于DNN的训练和推理成本下实现了高精度。尽管DNN也能获得有竞争力的曲线下面积（AUC）得分，但其性能优势被训练要求所抵消，使其不太适用于大多数实际应用。本研究得出结论，在IP连接设备指纹识别场景中，传统ML方法仍是进行OS、厂商和设备类型分类的优选方案，并强调了性能、复杂性和计算开销之间的关键权衡。研究结果对行业利益相关者（包括研究人员、安全从业者以及将设备识别集成到其资产管理、安全和关键基础设施系统中的系统设计人员）具有参考价值。
Keyword:
Adaptive synthetic (ADASYN)
deep learning (DL)
device fingerprinting
Internet of Things (IoT)
IP-connected devices
machine learning (ML)
nmap
synthetic minority oversampling technique (SMOTE)
期刊
I
IF:
4.3
论文数:
1.7K
被引数:
991
机构
S
引用论文
分享收藏OS fingerprinting: New techniques and a study of information gain and obfuscation操作系统指纹识别: 新技术以及信息获取和混淆的研究
OAAI
OAAI分享收藏分享收藏Network Traffic Fingerprinting for IIoT Device Identification: A Survey工业物联网（IIoT）设备识别的网络流量指纹技术：综述
PREAI
分享收藏A comprehensive review of IoT device fingerprinting: Insights into techniques, trends, challenges, and future directions物联网设备指纹识别的全面综述：技术、趋势、挑战及未来方向的见解.png)
Internet of ThingsOAAI
Internet of ThingsIF7.6
OAAI分享收藏A comprehensive survey on IoT security: Challenges, security issues, and countermeasures物联网安全综述：挑战、安全问题及对策Computer Science Review
Computer Science ReviewIF12.7
PREAI
分享收藏A State-of-the-Art Survey of Adversarial Reinforcement Learning for IoT Intrusion Detection物联网入侵检测中对抗强化学习的现状综述
PREAI
分享收藏
查看更多内容