論文の概要: Machine Learning for the Detection and Identification of Internet of
Things (IoT) Devices: A Survey
- arxiv url: http://arxiv.org/abs/2101.10181v1
- Date: Mon, 25 Jan 2021 15:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 04:45:54.938045
- Title: Machine Learning for the Detection and Identification of Internet of
Things (IoT) Devices: A Survey
- Title(参考訳): モノのインターネット(IoT)デバイスの検出と識別のための機械学習:調査
- Authors: Yongxin Liu, Jian Wang, Jianqiang Li, Shuteng Niu, Houbing Song
- Abstract要約: モノのインターネット(IoT)は、さまざまな新興サービスやアプリケーションを可能にする、日常生活の不可欠な部分になりつつあります。
IoTを確保する第一歩は、不正なIoTデバイスを検出し、正当なものを識別することです。
iotデバイスの識別と検出を,デバイス固有のパターン認識,ディープラーニングによるデバイス識別,教師なしデバイス識別,異常デバイス検出の4つのカテゴリに分類した。
- 参考スコア(独自算出の注目度): 16.3730669259576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet of Things (IoT) is becoming an indispensable part of everyday
life, enabling a variety of emerging services and applications. However, the
presence of rogue IoT devices has exposed the IoT to untold risks with severe
consequences. The first step in securing the IoT is detecting rogue IoT devices
and identifying legitimate ones. Conventional approaches use cryptographic
mechanisms to authenticate and verify legitimate devices' identities. However,
cryptographic protocols are not available in many systems. Meanwhile, these
methods are less effective when legitimate devices can be exploited or
encryption keys are disclosed. Therefore, non-cryptographic IoT device
identification and rogue device detection become efficient solutions to secure
existing systems and will provide additional protection to systems with
cryptographic protocols. Non-cryptographic approaches require more effort and
are not yet adequately investigated. In this paper, we provide a comprehensive
survey on machine learning technologies for the identification of IoT devices
along with the detection of compromised or falsified ones from the viewpoint of
passive surveillance agents or network operators. We classify the IoT device
identification and detection into four categories: device-specific pattern
recognition, Deep Learning enabled device identification, unsupervised device
identification, and abnormal device detection. Meanwhile, we discuss various
ML-related enabling technologies for this purpose. These enabling technologies
include learning algorithms, feature engineering on network traffic traces and
wireless signals, continual learning, and abnormality detection.
- Abstract(参考訳): モノのインターネット(IoT)は、さまざまな新興サービスやアプリケーションを可能にする、日常生活の不可欠な部分になりつつあります。
しかし、不正なIoTデバイスの存在は、IoTを未然にリスクにさらし、深刻な結果をもたらしています。
IoTを確保する第一歩は、不正なIoTデバイスを検出し、正当なものを識別することです。
従来の手法では暗号機構を使用して正当なデバイスのアイデンティティを認証し検証する。
しかし、暗号プロトコルは多くのシステムで利用できません。
一方、これらの手法は、正当性のあるデバイスを悪用したり、暗号鍵を開示する場合、効果が低い。
したがって、非暗号化IoTデバイス識別とローグデバイス検出は、既存のシステムを保護するための効率的なソリューションとなり、暗号プロトコルを持つシステムにさらなる保護を提供する。
非暗号的アプローチはさらなる努力を必要とし、まだ十分に調査されていない。
本稿では、IoTデバイスの識別のための機械学習技術に関する包括的な調査と、受動監視エージェントまたはネットワークオペレータの視点から、侵害または改ざんされたデバイスを検出する。
iotデバイスの識別と検出を,デバイス固有のパターン認識,ディープラーニングによるデバイス識別,教師なしデバイス識別,異常デバイス検出の4つのカテゴリに分類した。
一方,本稿では,ML関連の様々な実現技術について論じる。
これらの実現技術には、学習アルゴリズム、ネットワークトラフィックトレースと無線信号の機能エンジニアリング、継続学習、異常検出などが含まれる。
関連論文リスト
- Task-Oriented Communications for NextG: End-to-End Deep Learning and AI
Security Aspects [78.84264189471936]
NextG通信システムは、ビットを確実に復号し、与えられたタスクを確実に実行するためのこの設計パラダイムのシフトを探求し始めている。
本稿では、送信者、受信者、機能性を2つのディープニューラルネットワーク(DNN)として共同で訓練するタスク指向通信手法を提案する。
本手法は,通信と信号の分類を2つの異なるタスクとして扱うベースラインと比較して,より少ないDNNで精度良く行うことができることを示す。
論文 参考訳(メタデータ) (2022-12-19T17:54:36Z) - Machine Learning Methods for Device Identification Using Wireless
Fingerprinting [1.0499611180329804]
本稿では,無線指紋を用いたデバイス識別のための機械学習アルゴリズムについて検討する。
私たちは、関連するデータセットを設計、実装、デプロイ、収集し、さまざまな機械学習アルゴリズムを訓練し、テストします。
提案されたソリューションは現在,H2020プロジェクトであるCOLLABSの一部として,現実のIoT環境にデプロイされている。
論文 参考訳(メタデータ) (2022-11-03T16:42:41Z) - Unsupervised Ensemble Based Deep Learning Approach for Attack Detection
in IoT Network [0.0]
モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。
IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。
本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
論文 参考訳(メタデータ) (2022-07-16T11:12:32Z) - 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) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z) - Network Traffic Analysis based IoT Device Identification [1.3484794751207887]
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。
論文 参考訳(メタデータ) (2020-09-10T06:28:11Z) - 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) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。