論文の概要: Internet of Things: Digital Footprints Carry A Device Identity

• arxiv url: http://arxiv.org/abs/2301.00328v1
• Date: Sun, 1 Jan 2023 02:18:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 16:04:57.156177
• Title: Internet of Things: Digital Footprints Carry A Device Identity
• Title（参考訳）: 物のインターネット:デジタルフットプリントはデバイスを識別する
• Authors: Rajarshi Roy Chowdhury, Azam Che Idris and Pg Emeroylariffion Abas
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The usage of technologically advanced devices has seen a boom in many domains, including education, automation, and healthcare; with most of the services requiring Internet connectivity. To secure a network, device identification plays key role. In this paper, a device fingerprinting (DFP) model, which is able to distinguish between Internet of Things (IoT) and non-IoT devices, as well as uniquely identify individual devices, has been proposed. Four statistical features have been extracted from the consecutive five device-originated packets, to generate individual device fingerprints. The method has been evaluated using the Random Forest (RF) classifier and different datasets. Experimental results have shown that the proposed method achieves up to 99.8% accuracy in distinguishing between IoT and non-IoT devices and over 97.6% in classifying individual devices. These signify that the proposed method is useful in assisting operators in making their networks more secure and robust to security breaches and unauthorized access.
• Abstract（参考訳）: 技術的に先進的なデバイスの使用は、教育、自動化、医療など多くの領域でブームとなり、ほとんどのサービスはインターネット接続を必要としている。 ネットワークを確保するため、デバイス識別が重要な役割を果たす。 本稿では,モノのインターネット(IoT)と非IoTデバイスを識別し,個別のデバイスを識別するデバイスフィンガープリント(DFP)モデルを提案する。 連続する5つのパケットから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。 この手法はランダムフォレスト分類器と異なるデータセットを用いて評価されている。 実験の結果,iotデバイスと非iotデバイスの識別精度は最大99.8%,デバイス分類精度は97.6%であった。 これらのことから,提案手法は,セキュリティ侵害や不正アクセスに対して,ネットワークをより安全かつ堅牢にするためのオペレータ支援に有用であることが示唆された。

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)
• Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security [7.8344795632171325]
  次世代ネットワークは、人間、機械、デバイス、システムをシームレスに相互接続することを目的としている。 この課題に対処するため、Zero Trust(ZT)パラダイムは、ネットワークの完全性とデータの機密性を保護するための重要な方法として登場した。 この研究は、新しいディープラーニングベースの無線デバイス識別フレームワークであるEPS-CNNを導入している。
  論文  参考訳（メタデータ） (2024-02-08T00:23:42Z)
• 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)
• Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
  本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。 コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。 機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
  論文  参考訳（メタデータ） (2023-05-12T17:24:02Z)
• 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)
• 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)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• 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)
• IoTDevID: A Behaviour-Based Fingerprinting Method for Device Identification in the IoT [2.2488000104409083]
  デバイス識別のための新しい指紋認証手法であるIoTDevIDを導入する。 本手法では,ネットワークパケットに基づくIoTデバイスの動作を機械学習でモデル化する。 その結果,F1スコアは99%以上であった。
  論文  参考訳（メタデータ） (2021-02-17T16:50:25Z)
• 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)
• 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。