論文の概要: IoT Firmware Version Identification Using Transfer Learning with Twin Neural Networks

• arxiv url: http://arxiv.org/abs/2501.06033v1
• Date: Fri, 10 Jan 2025 15:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:25:51.746282
• Title: IoT Firmware Version Identification Using Transfer Learning with Twin Neural Networks
• Title（参考訳）: 2つのニューラルネットワークを用いたトランスファーラーニングを用いたIoTファームウェアのバージョン識別
• Authors: Ashley Andrews, George Oikonomou, Simon Armour, Paul Thomas, Thomas Cattermole,
• Abstract要約: 研究はIoTデバイスのファームウェアバージョンをほとんど無視している。 従来の機械学習アルゴリズムは、効果的なバージョン識別には適していない。 転送学習に基づくIoTデバイスのバージョン識別に有効な手法を提案する。
• 参考スコア（独自算出の注目度）: 3.361262113290271
• License:
• Abstract: As the Internet of Things (IoT) becomes more embedded within our daily lives, there is growing concern about the risk `smart' devices pose to network security. To address this, one avenue of research has focused on automated IoT device identification. Research has however largely neglected the identification of IoT device firmware versions. There is strong evidence that IoT security relies on devices being on the latest version patched for known vulnerabilities. Identifying when a device has updated (has changed version) or not (is on a stable version) is therefore useful for IoT security. Version identification involves challenges beyond those for identifying the model, type, and manufacturer of IoT devices, and traditional machine learning algorithms are ill-suited for effective version identification due to being limited by the availability of data for training. In this paper, we introduce an effective technique for identifying IoT device versions based on transfer learning. This technique relies on the idea that we can use a Twin Neural Network (TNN) - trained at distinguishing devices - to detect differences between a device on different versions. This facilitates real-world implementation by requiring relatively little training data. We extract statistical features from on-wire packet flows, convert these features into greyscale images, pass these images into a TNN, and determine version changes based on the Hedges' g effect size of the similarity scores. This allows us to detect the subtle changes present in on-wire traffic when a device changes version. To evaluate our technique, we set up a lab containing 12 IoT devices and recorded their on-wire packet captures for 11 days across multiple firmware versions. For testing data held out from training, our best performing model is shown to be 95.83% and 84.38% accurate at identifying stable versions and version changes respectively.
• Abstract（参考訳）: IoT(Internet of Things)が私たちの日常生活に浸透するにつれ、‘スマート’デバイスがネットワークセキュリティに影響を及ぼすリスクに対する懸念が高まっている。 これを解決するために、ある研究はIoTデバイスの自動識別に焦点を当てた。 しかし、研究はIoTデバイスのファームウェアバージョンをほとんど無視している。 IoTセキュリティは、既知の脆弱性にパッチされた最新バージョンのデバイスに依存しているという強い証拠がある。 したがって、デバイスがアップデートされた(バージョンが変更された)かどうか(安定バージョンにある)は、IoTセキュリティに有用である。 バージョン識別には、IoTデバイスのモデル、タイプ、メーカーを特定すること以上の課題が伴う。 本稿では,転送学習に基づくIoTデバイスのバージョン識別に有効な手法を提案する。 このテクニックは、異なるバージョンのデバイス間の差異を検出するために、デバイスを区別する訓練されたTNN(Twin Neural Network)を使用することができるという考えに依存しています。 これにより、比較的少ないトレーニングデータを必要とすることで、現実世界の実装が容易になる。 我々は、オンワイヤパケットフローから統計的特徴を抽出し、これらの特徴をグレースケールの画像に変換し、これらの画像をTNNに渡し、類似度スコアのHedgesのg効果サイズに基づいてバージョン変更を決定する。 これにより、デバイスのバージョン変更時にオンワイヤトラフィックに現れる微妙な変更を検出することができます。 この技術を評価するため、12のIoTデバイスを含むラボを設置し、複数のファームウェアバージョンで11日間、オンワイヤパケットキャプチャを記録しました。 トレーニングから持ち出されたテストデータについて、我々の最高のパフォーマンスモデルは、それぞれ安定したバージョンとバージョン変更を特定するのに、95.83%と84.38%の精度であることが示されている。

関連論文リスト

• IoT Device Labeling Using Large Language Models [3.3044728148521623]
  AIソリューションは、これまで見たことがなく、ラベルが不明なIoTデバイスにラベルを付けることができるのか? 提案ソリューションでは,ネットワークトラフィックからドメイン名やカタログなどのテキスト機能を抽出し,Google検索データを用いて,ベンダやデバイス機能のカタログと並行して,これらの機能を充実させる。 このソリューションは、Large Language Models(LLM)を使用して、これらの新興デバイスタイプを更新する自動更新メカニズムも統合している。
  論文  参考訳（メタデータ） (2024-03-03T18:41:22Z)
• 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)
• Internet of Things: Digital Footprints Carry A Device Identity [0.0]
  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。
  論文  参考訳（メタデータ） (2023-01-01T02:18:02Z)
• Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification [0.0]
  本研究では,個々のデバイス識別のためのハードウェア性能挙動に基づくLSTM-CNNアーキテクチャを提案する。 これまでは、45台のRaspberry Piデバイスから収集されたハードウェアパフォーマンスデータセットを使用して、提案されたアーキテクチャと比較されてきた。 回避攻撃に対するモデルレジリエンスを改善するために 敵の訓練と モデル蒸留防衛技術が選択される。
  論文  参考訳（メタデータ） (2022-12-30T13:11:35Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Revisiting IoT Device Identification [4.451756374933898]
  IoT(Internet-of-Things)デバイスは多くのセキュリティ問題の原因として知られている。 ネットワークの振る舞いに基づいて,IoTデバイスを正確に識別する方法を検討する。
  論文  参考訳（メタデータ） (2021-07-16T11:01:45Z)
• 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)
• Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
  教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。 本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。 私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
  論文  参考訳（メタデータ） (2021-03-08T15:13:59Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• The Case for Retraining of ML Models for IoT Device Identification at the Edge [0.026215338446228163]
  ネットワークのエッジで利用可能なリソースを用いて、ネットワークの振る舞いに基づいてIoTデバイスを識別する方法を示す。 エッジにおいて、デバイス識別と分類をそれぞれ80%以上と90%以上精度で達成することができる。
  論文  参考訳（メタデータ） (2020-11-17T13:01:04Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。