論文の概要: Network Traffic Analysis based IoT Device Identification

• arxiv url: http://arxiv.org/abs/2009.04682v1
• Date: Thu, 10 Sep 2020 06:28:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 04:03:11.827129
• Title: Network Traffic Analysis based IoT Device Identification
• Title（参考訳）: ネットワークトラフィック分析に基づくIoTデバイス識別
• Authors: Rajarshi Roy Chowdhury, Sandhya Aneja, Nagender Aneja, Emeroylariffion Abas
• Abstract要約: デバイス識別 (Device Identification) とは、インターネット上のデバイスを、割り当てられたネットワークやその他の認証情報を使わずに識別するプロセスである。 ネットワークでは、従来のIoTデバイスはIPまたはMACアドレスを利用して互いに識別する。 IoTデバイスの問題を緩和するために、デバイス識別のための指紋(DFP)を使用することができる。
• 参考スコア（独自算出の注目度）: 1.3484794751207887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Device identification is the process of identifying a device on Internet without using its assigned network or other credentials. The sharp rise of usage in Internet of Things (IoT) devices has imposed new challenges in device identification due to a wide variety of devices, protocols and control interfaces. In a network, conventional IoT devices identify each other by utilizing IP or MAC addresses, which are prone to spoofing. Moreover, IoT devices are low power devices with minimal embedded security solution. To mitigate the issue in IoT devices, fingerprint (DFP) for device identification can be used. DFP identifies a device by using implicit identifiers, such as network traffic (or packets), radio signal, which a device used for its communication over the network. These identifiers are closely related to the device hardware and software features. In this paper, we exploit TCP/IP packet header features to create a device fingerprint utilizing device originated network packets. We present a set of three metrics which separate some features from a packet which contribute actively for device identification. To evaluate our approach, we used publicly accessible two datasets. We observed the accuracy of device genre classification 99.37% and 83.35% of accuracy in the identification of an individual device from IoT Sentinel dataset. However, using UNSW dataset device type identification accuracy reached up to 97.78%.
• Abstract（参考訳）: デバイス識別は、割り当てられたネットワークや他の認証情報を使わずに、インターネット上でデバイスを識別するプロセスである。 IoT(Internet of Things, モノのインターネット)デバイスの急速な普及は、さまざまなデバイス、プロトコル、コントロールインターフェースによって、デバイス識別に新たな課題をもたらしている。 ネットワークでは、従来のIoTデバイスはIPまたはMACアドレスを利用して互いに識別する。 さらに、IoTデバイスは最小限のセキュリティソリューションを備えた低電力デバイスである。 IoTデバイスの問題を緩和するために、デバイス識別のための指紋(DFP)を使用することができる。 dfpは、ネットワーク上の通信に使用される無線信号、ネットワークトラフィック(またはパケット)などの暗黙の識別子を使用してデバイスを特定する。 これらの識別子はデバイスハードウェアやソフトウェア機能と密接に関連している。 本稿では,TCP/IPパケットヘッダ機能を利用して,デバイス由来のネットワークパケットを利用したデバイス指紋を作成する。 デバイス識別に積極的に貢献するパケットからいくつかの特徴を分離する3つのメトリクスのセットを示す。 アプローチを評価するために、公開アクセス可能な2つのデータセットを使用しました。 デバイスジャンル分類の精度は,IoT Sentinelデータセットから個々のデバイスを識別する場合,99.37%,83.35%であった。 しかし、UNSWデータセットのタイプ識別精度は97.78%に達した。

関連論文リスト

• Communication Traffic Characteristics Reveal an IoT Devices Identity [0.0]
  本稿では,ネットワークに接続されたIoTデバイスを識別する機械学習デバイスフィンガープリント(DFP)モデルを提案する。 実験の結果,DFP法は個々のIoTデバイスを98%以上分類できることがわかった。
  論文  参考訳（メタデータ） (2024-02-25T18:58:09Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways [45.44831696628473]
  本稿では,IoTゲートウェイとホームオートメーションプラットフォームがIoTトラフィックのキャプチャと分析を行うことを可能にする,オープンソースの法医学ツールであるIoTScentを紹介する。 IoTScentは特に、Zigbeeや6LoWPAN、Threadといった多くのIoT固有のプロトコルの基礎であるIEEE5.4ベースのトラフィックを操作するように設計されている。 この作業は、Zigbeeトラフィックからデバイス識別を実行するためのツールの使用を実証する実用的なユースケースを含む、IoTScentツールの包括的な説明を提供する。
  論文  参考訳（メタデータ） (2023-10-05T09:10:05Z)
• IoT Device Identification Based on Network Communication Analysis Using Deep Learning [43.0717346071013]
  組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。 この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。 本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
  論文  参考訳（メタデータ） (2023-03-02T13:44:58Z)
• Internet of Things: Digital Footprints Carry A Device Identity [0.0]
  デバイスフィンガープリント(DFP)モデルは、IoT(Internet of Things)と非IoTデバイスを区別することができる。 連続する5つのデバイス認証パケットから4つの統計的特徴を抽出し、個々のデバイス指紋を生成する。
  論文  参考訳（メタデータ） (2023-01-01T02:18:02Z)
• Device identification using optimized digital footprints [0.0]
  ネットワーク上の通信に使用されるデジタルフットプリントに基づいて,デバイス識別のためのデバイスフィンガープリント(DFP)手法が提案されている。 デバイス固有のシグネチャを生成するために、単一のトランスミッション制御プロトコル/インターネットプロトコルパケットのネットワーク層とトランスポート層から9つの機能のサブセットが選択されている。 結果は、ランダムフォレスト分類器(RF)を用いて、最大100%精度のデバイスタイプを識別し、最大95.7%精度のデバイスを分類できることを示した。
  論文  参考訳（メタデータ） (2022-12-04T14:21:29Z)
• CAN-LOC: Spoofing Detection and Physical Intrusion Localization on an In-Vehicle CAN Bus Based on Deep Features of Voltage Signals [48.813942331065206]
  車両内ネットワークのためのセキュリティ強化システムを提案する。 提案システムは,CANバスで測定した電圧信号から抽出した深い特徴を処理する2つの機構を含む。
  論文  参考訳（メタデータ） (2021-06-15T06:12:33Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• IoT Device Identification Using Deep Learning [43.0717346071013]
  組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。 広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。 本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
  論文  参考訳（メタデータ） (2020-02-25T12:24:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。