.png){kind=icon}
返回
GeMID: Generalizable Models for IoT Device Identification
.png){kind=icon}
OA
AI
DOI：10.1016/j.iot.2025.101806.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着物联网（IoT）设备数量的激增，确保其安全性变得至关重要。设备识别（DI）通过基于流量模式区分物联网设备，在区分设备与识别易受攻击设备方面发挥着关键作用，从而弥补了严重的安全漏洞。然而，现有构建机器学习模型的DI方法往往忽视了模型在不同网络环境中的泛化性挑战。本研究提出了一种新型框架，旨在解决这一局限性，并评估DI模型在不同网络环境中收集的数据集上的泛化性。我们的方法包括两步：首先，我们开发了一种特征和模型选择方法，通过使用带有外部反馈和不同环境数据集的遗传算法来优化选择，以提高对泛化问题的鲁棒性；其次，将生成的DI模型在进一步的独立数据集上进行测试，以稳健地评估其泛化性。我们通过实证比较该方法与替代方案，展示了其有效性，并强调了滑动窗口和流统计等常用技术的基本局限性如何限制其泛化性。此外，我们还证明，由于统计方法依赖于网络特定特征而非设备固有属性，因此其在设备识别中不可靠，这挑战了大量现有研究的有效性。我们的发现推进了物联网安全与设备识别领域的研究，为提升模型效果和缓解物联网网络风险提供了见解。
Keyword:
IoT security
device identification
machine learning
generalizability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.9K
被引数:
6.9K
机构
引用论文
T. B. Hoang, L. Vu, Q. U. Nguyen, A Data Sampling and Two-Stage Convolution Neural Network for IoT Devices Identification, in: 2022 Int. Conf. on Comp. and Comm. Tech. (RIVF), IEEE, 2022, pp. 458–463.T. B. Hoang, L. Vu, Q. U. Nguyen, 一种用于物联网设备识别的数据采样和两阶段卷积神经网络，载于：2022年计算机与通信技术国际会议（RIVF）, IEEE, 2022, 第458–463页。.png)
IF0
PREAI
分享收藏J. Kotak, Y. Elovici, IoT device identification based on network communication analysis using deep learning, Journal of Ambient Intelligence and Humanized Computing (2022) 1–17.J. Kotak, Y. Elovici, 基于网络通信分析的物联网设备识别：使用深度学习，环境智能与人本计算杂志（2022）1–17.
IF0
PREAI
分享收藏BehavIoT: Measuring Smart Home IoT Behavior Using Network-Inferred Behavior ModelsBehavIoT：使用网络推断行为模型测量智能家居物联网行为
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏X. Hu, H. Li, Z. Shi, N. Yu, H. Zhu, L. Sun, A Robust IoT Device Identification Method with Unknown Traffic Detection, in: Wireless Algorithms, Systems, and Applications: 16th Int. Conf., WASA 2021, Proceedings, Part I 16, Springer, 2021, pp. 190–202.X. Hu, H. Li, Z. Shi, N. Yu, H. Zhu, L. Sun, 一种具有未知流量检测的鲁棒物联网设备识别方法，载于：无线算法、系统与应用：第16届国际会议WASA 2021, 会议录, 第一部分16, Springer, 2021, 第190-202页。
IF0
PREAI
分享收藏
查看更多内容