論文の概要: I Still See You: Why Existing IoT Traffic Reshaping Fails

• arxiv url: http://arxiv.org/abs/2406.10358v1
• Date: Fri, 14 Jun 2024 18:11:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 00:52:09.667387
• Title: I Still See You: Why Existing IoT Traffic Reshaping Fails
• Title（参考訳）: なぜ既存のIoTトラフィックのリフォームが失敗するのか?
• Authors: Su Wang, Keyang Yu, Qi Li, Dong Chen,
• Abstract要約: Internet of Things(IoT)デバイスによって生成されたインターネットトラフィックデータは、インターネットサービスプロバイダ(ISP)とデバイスメーカによって収集される。 オンパスの敵は、これらのネットワークトラフィックトレースを分析することによって、ユーザの機密プライバシー情報を推測し、フィンガープリントすることができる。 現在、既存の研究の包括性を比較評価する体系的な方法はない。
• 参考スコア（独自算出の注目度）: 14.077052412195263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Internet traffic data produced by the Internet of Things (IoT) devices are collected by Internet Service Providers (ISPs) and device manufacturers, and often shared with their third parties to maintain and enhance user services. Unfortunately, on-path adversaries could infer and fingerprint users' sensitive privacy information such as occupancy and user activities by analyzing these network traffic traces. While there's a growing body of literature on defending against this side-channel attack-malicious IoT traffic analytics (TA), there's currently no systematic method to compare and evaluate the comprehensiveness of these existing studies. To address this problem, we design a new low-cost, open-source system framework-IoT Traffic Exposure Monitoring Toolkit (ITEMTK) that enables people to comprehensively examine and validate prior attack models and their defending approaches. In particular, we also design a novel image-based attack capable of inferring sensitive user information, even when users employ the most robust preventative measures in their smart homes. Researchers could leverage our new image-based attack to systematize and understand the existing literature on IoT traffic analysis attacks and preventing studies. Our results show that current defending approaches are not sufficient to protect IoT device user privacy. IoT devices are significantly vulnerable to our new image-based user privacy inference attacks, posing a grave threat to IoT device user privacy. We also highlight potential future improvements to enhance the defending approaches. ITEMTK's flexibility allows other researchers for easy expansion by integrating new TA attack models and prevention methods to benchmark their future work.
• Abstract（参考訳）: Internet of Things(IoT)デバイスが生成するインターネットトラフィックデータは、インターネットサービスプロバイダ(ISP)とデバイスメーカによって収集され、ユーザサービスの維持と強化のために第三者と共有されることが多い。 残念なことに、オンパスの敵は、これらのネットワークトラフィックトレースを分析して、占有やユーザアクティビティといった、ユーザの機密性の高いプライバシー情報を推測し、フィンガープリントすることができる。 このサイドチャネル攻撃によるIoTトラフィック分析(TA)に対する防御に関する文献が増えているが、これらの既存の研究の総合性を比較して評価するための体系的な方法はない。 この問題に対処するため、我々は新しい低コストでオープンソースのフレームワークであるIoT Traffic Exposure Monitoring Toolkit (ITEMTK)を設計し、事前の攻撃モデルとその防御アプローチを網羅的に検証し、検証できるようにする。 特に、ユーザがスマートホームで最も堅牢な予防対策を施した場合でも、センシティブなユーザ情報を推測できる画像ベースの新たな攻撃を設計する。 研究者たちは、新しい画像ベースの攻撃を利用して、IoTトラフィック分析攻撃に関する既存の文献を体系化し、理解し、研究を防ぐことができる。 以上の結果から,IoTデバイスのユーザのプライバシ保護には,現在の防御アプローチでは不十分であることが示唆された。 IoTデバイスは、新たなイメージベースのユーザプライバシ推論攻撃に対して、極めて脆弱であり、IoTデバイスのユーザのプライバシに重大な脅威をもたらします。 また、防衛アプローチを強化するための将来的な改善も強調します。 ITEMTKの柔軟性により、他の研究者は、新たなTA攻撃モデルを統合することで、将来の作業のベンチマークを行うことができる。

関連論文リスト

• 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)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• 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)
• From Generative AI to Generative Internet of Things: Fundamentals, Framework, and Outlooks [82.964958051535]
  生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。 GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-27T02:58:11Z)
• Navigating the IoT landscape: Unraveling forensics, security issues, applications, research challenges, and future [6.422895251217666]
  本稿では、異なる分野におけるIoTに関する法医学的およびセキュリティ上の問題についてレビューする。 ほとんどのIoTデバイスは、標準的なセキュリティ対策が欠如しているため、攻撃に対して脆弱である。 消費者のセキュリティを意識したニーズを満たすために、IoTはスマートホームシステムの開発に使用できる。
  論文  参考訳（メタデータ） (2023-09-06T04:41:48Z)
• An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT Devices [0.7219077740523682]
  この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2023-06-23T11:26:00Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection [0.0]
  セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。 MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。 その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
  論文  参考訳（メタデータ） (2022-04-08T19:06:16Z)
• Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
  本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。 皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。 また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
  論文  参考訳（メタデータ） (2020-08-26T19:27:27Z)
• Towards Learning-automation IoT Attack Detection through Reinforcement Learning [14.363292907140364]
  IoT(Internet of Things)ネットワークにはユニークな特徴があるため、攻撃検出がより困難になる。 従来のハイレート攻撃に加えて、IoT攻撃者が正当なトラフィックを難読化するために、低レート攻撃も広く使用されている。 本稿では,攻撃パターンの変換を自動的に学習し,認識できる強化学習に基づく攻撃検出モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-29T06:12:45Z)
• IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
  この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。 我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。 99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
  論文  参考訳（メタデータ） (2020-01-28T23:13:12Z)

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。