論文の概要: DLWIoT: Deep Learning-based Watermarking for Authorized IoT Onboarding

• arxiv url: http://arxiv.org/abs/2010.10334v1
• Date: Sun, 18 Oct 2020 03:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 04:45:41.148828
• Title: DLWIoT: Deep Learning-based Watermarking for Authorized IoT Onboarding
• Title（参考訳）: DLWIoT: 認証IoTオンボーディングのためのディープラーニングベースの透かし
• Authors: Spyridon Mastorakis, Xin Zhong, Pei-Chi Huang, Reza Tourani
• Abstract要約: We present a framework, called Deep Learning-based Watermarking for authorized IoT onboarding (DLWIoT)。 DLWIoTは、ディープニューラルネットワークに基づく堅牢で完全に自動化された画像透かしスキームを備えている。 実験結果はDLWIoTの実現可能性を示し,認証されたユーザが2.5～3秒以内にDLWIoTを搭載したIoTデバイスを搭載可能であることを示す。
• 参考スコア（独自算出の注目度）: 8.430502131775722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The onboarding of IoT devices by authorized users constitutes both a challenge and a necessity in a world, where the number of IoT devices and the tampering attacks against them continuously increase. Commonly used onboarding techniques today include the use of QR codes, pin codes, or serial numbers. These techniques typically do not protect against unauthorized device access-a QR code is physically printed on the device, while a pin code may be included in the device packaging. As a result, any entity that has physical access to a device can onboard it onto their network and, potentially, tamper it (e.g.,install malware on the device). To address this problem, in this paper, we present a framework, called Deep Learning-based Watermarking for authorized IoT onboarding (DLWIoT), featuring a robust and fully automated image watermarking scheme based on deep neural networks. DLWIoT embeds user credentials into carrier images (e.g., QR codes printed on IoT devices), thus enables IoT onboarding only by authorized users. Our experimental results demonstrate the feasibility of DLWIoT, indicating that authorized users can onboard IoT devices with DLWIoT within 2.5-3sec.
• Abstract（参考訳）: 認証されたユーザによるIoTデバイスのオンボーディングは、IoTデバイスの数とそれらに対する改ざん攻撃が継続的に増加する世界において、課題と必要性の両方を構成している。 今日一般的に使われているのはQRコード、ピンコード、シリアル番号の使用である。 QRコードはデバイスに物理的に印刷され、ピンコードはデバイスパッケージに含まれている。 結果として、デバイスへの物理的アクセスを持つエンティティは、ネットワークにそれをインストールし、潜在的にそれを改ざんすることができる(例えば、デバイスにマルウェアをインストールする)。 この問題に対処するために、深層ニューラルネットワークに基づく堅牢で完全に自動化された画像透かしを特徴とする、DLWIoT(Deep Learning-based Watermarking for Author IoT onboarding)というフレームワークを提案する。 DLWIoTは、ユーザ認証情報をキャリアイメージ(IoTデバイスに印刷されたQRコードなど)に埋め込み、認証されたユーザのみのIoTオンボードを可能にする。 実験結果はDLWIoTの実現可能性を示し,認証されたユーザが2.5～3秒以内にDLWIoTを搭載可能なことを示す。

関連論文リスト

• From Hardware Fingerprint to Access Token: Enhancing the Authentication on IoT Devices [33.25850729215212]
  MCUベースのIoTデバイスのためのセキュアなハードウェアフィンガープリントフレームワークであるMCU-Tokenを紹介する。 MCU-Tokenは、さまざまなIoTデバイスやアプリケーションシナリオ間のオーバーヘッドを低くして、高い精度(97%以上)を達成することができる。
  論文  参考訳（メタデータ） (2024-03-22T15:15:28Z)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• 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)
• Don't Forget to Sign the Gradients! [60.98885980669777]
  GradSignsはディープニューラルネットワーク(DNN)のための新しい透かしフレームワーク 深部ニューラルネットワーク(DNN)のための新しい透かしフレームワークであるGradSignsを紹介します。
  論文  参考訳（メタデータ） (2021-03-05T14:24:32Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
  IoTデバイスのセキュリティ面は幼児の分野です。 ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。 畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
  論文  参考訳（メタデータ） (2020-10-13T10:56:33Z)
• Zero-Bias Deep Learning for Accurate Identification of Internet of Things (IoT) Devices [20.449229983283736]
  物理層信号を用いたIoTデバイス識別のための拡張ディープラーニングフレームワークを提案する。 航空におけるIoTの応用であるADS-B(Automatic Dependent Surveillance-Broadcast)の実データを用いて,提案手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-08-27T20:50:48Z)
• 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。