論文の概要: IoT Device Identification Based on Network Communication Analysis Using Deep Learning

• arxiv url: http://arxiv.org/abs/2303.12800v1
• Date: Thu, 2 Mar 2023 13:44:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:40:20.240120
• Title: IoT Device Identification Based on Network Communication Analysis Using Deep Learning
• Title（参考訳）: ディープラーニングを用いたネットワーク通信分析に基づくIoTデバイス識別
• Authors: Jaidip Kotak and Yuval Elovici
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.0717346071013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attack vectors for adversaries have increased in organizations because of the growing use of less secure IoT devices. The risk of attacks on an organization's network has also increased due to the bring your own device (BYOD) policy which permits employees to bring IoT devices onto the premises and attach them to the organization's network. To tackle this threat and protect their networks, organizations generally implement security policies in which only white listed IoT devices are allowed on the organization's network. To monitor compliance with such policies, it has become essential to distinguish IoT devices permitted within an organization's network from non white listed (unknown) IoT devices. In this research, deep learning is applied to network communication for the automated identification of IoT devices permitted on the network. In contrast to existing methods, the proposed approach does not require complex feature engineering of the network communication, because the 'communication behavior' of IoT devices is represented as small images which are generated from the device's network communication payload. The proposed approach is applicable for any IoT device, regardless of the protocol used for communication. As our approach relies on the network communication payload, it is also applicable for the IoT devices behind a network address translation (NAT) enabled router. In this study, we trained various classifiers on a publicly accessible dataset to identify IoT devices in different scenarios, including the identification of known and unknown IoT devices, achieving over 99% overall average detection accuracy.
• Abstract（参考訳）: セキュリティの低いIoTデバイスの使用の増加により、敵の攻撃ベクトルは組織内で増加している。 組織ネットワークに対する攻撃のリスクも、従業員がIoTデバイスをオンプレミスに持ち込み、組織のネットワークにアタッチできる、独自のデバイス(BYOD)ポリシ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デバイスのみを組織の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。 このようなポリシーの遵守を監視するために、組織のネットワーク内で許可されているIoTデバイスと、非ホワイトリスト(未知)のIoTデバイスを区別することが不可欠になっている。 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。 既存の手法とは対照的に,提案手法では,IoTデバイスの"通信動作"は,デバイスのネットワーク通信ペイロードから生成される小さなイメージとして表現されるため,ネットワーク通信の複雑な機能工学を必要としない。 提案されたアプローチは、通信に使用されるプロトコルに関係なく、任意のIoTデバイスに適用できる。 我々のアプローチはネットワーク通信ペイロードに依存しているため、NAT(Network address translation)対応ルータの背後にあるIoTデバイスにも適用可能です。 本研究では,未知のIoTデバイスを識別するなど,さまざまなシナリオにおけるIoTデバイスを特定するために,公開データセット上でさまざまな分類器をトレーニングし,全体の平均検出精度を99%以上達成した。

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)
• 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)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Technical Report-IoT Devices Proximity Authentication In Ad Hoc Network Environment [0.0]
  Internet of Things(IoT)は、物理的デバイスがデータを接続し交換することを可能にする分散通信技術システムである。 IoTデバイスへの認証は、攻撃者によるネガティブな影響を防ぐための第一歩であるため、不可欠である。 本稿では、IoTデバイス環境にあるものに基づいて、IoTデバイス認証方式を実装した。
  論文  参考訳（メタデータ） (2022-10-01T03:07:42Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 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。