論文の概要: Learning to Link: Automatic Re-identification of BLE Devices Under MAC Address Randomisation

• arxiv url: http://arxiv.org/abs/2609.26079v1
• Date: Thu, 17 Sep 2026 15:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.348345
• Title: Learning to Link: Automatic Re-identification of BLE Devices Under MAC Address Randomisation
• Title（参考訳）: リンク学習:MACアドレスランダム化下でのBLEデバイスの自動再識別
• Abstract要約: Bluetooth Low Energy(BLE)は、MACアドレスのランダム化(Resolvable Private Address(RPA)経由で)を使用して、パブリック広告チャネル上の長期的なデバイス追跡を緩和する。 既存の研究では、広告パケットにはメタデータと構造的特徴が含まれており、手作業によるルールによるターゲットデバイスの再識別を可能にすることが示されている。 署名生成に機械学習アルゴリズムを活用することにより,MACランダム化にも拘わらず,BLEデバイスの追跡プロセスを自動化する可能性を検討する。
• 参考スコア（独自算出の注目度）: 0.5505634045241287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bluetooth Low Energy (BLE) employs MAC address randomisation -- via Resolvable Private Address (RPA) -- to mitigate long-term device tracking on public advertising channels. Existing research has shown that advertising packets contain metadata and structural features that allow re-identifying a target device via manually crafted rules. In this work, we investigate the feasibility of automating the process of tracking BLE devices despite MAC randomisation by leveraging machine learning algorithms for the signature creation. Based on the actual Bluetooth traffic from target devices, we characterise the persistence of advertising-layer features across RPA changes and formulate device linkage as a supervised classification problem. Using simple decision tree classifiers as a proof-of-feasibility approach, we evaluate the distinguishability of target and non-target devices under varying address rotation patterns. Our results reinforce prior work demonstrating that advertising-layer metadata can enable device re-identification under MAC randomisation, to the point where such linkage can be automated using standard supervised learning techniques, without any specific knowledge of the technology.
• Abstract（参考訳）: Bluetooth Low Energy(BLE)は、MACアドレスのランダム化(Resolvable Private Address(RPA)経由で)を使用して、パブリック広告チャネル上の長期的なデバイス追跡を緩和する。 既存の研究では、広告パケットにはメタデータと構造的特徴が含まれており、手作業によるルールによるターゲットデバイスの再識別を可能にすることが示されている。 本研究では,署名生成に機械学習アルゴリズムを活用することにより,MACランダム化に拘わらず,BLEデバイスの追跡プロセスを自動化する可能性を検討する。 ターゲットデバイスからの実際のBluetoothトラフィックに基づいて、RPAの変更とデバイスリンクの定式化による広告層機能の持続性を、教師付き分類問題として特徴付ける。 単純な決定木分類器を実現可能性証明手法として用い, アドレス回転パターンの異なるターゲットデバイスと非ターゲットデバイスの識別可能性を評価する。 本研究は,広告層メタデータがMACランダム化の下でデバイス再識別を可能にすることを実証する先行研究を,標準教師あり学習技術を用いて,特定の知識を必要とせず,そのようなリンクを自動化できることを実証するものである。

関連論文リスト

• Can Machine Learning Break Wi-Fi Privacy? A Study on MAC Address Randomization [2.5227912984325362]
  機械学習(ML)ベースの指紋認証を用いてデバイスを識別できることが示されている。 この論文の中核となる貢献は、ハイスループット(HT)情報フィールドのビットワイズ分解である。 以上の結果から,HT機能情報と3つのSRSSI測定値を用いたDBSCANは,最大89.6%の精度を達成できた。
  論文  参考訳（メタデータ） (2026-06-24T13:07:05Z)
• Persistent Device Identity for Network Access Control in the Era of MAC Address Randomization: A RADIUS-Based Framework [2.8826178477785542]
  現代のオペレーティングシステムは、メディアアクセス制御(MAC)アドレスをランダム化し、ユーザのプライバシを保護する。 この破壊は連邦政府など重要な企業環境に影響を及ぼす。 本稿では,NAC環境におけるデバイス識別の持続性を維持するための包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-17T16:21:57Z)
• Things that Matter -- Identifying Interactions and IoT Device Types in Encrypted Matter Traffic [0.9176056742068813]
  我々は、Matter IoT標準のロバスト性を、受動的盗聴者によって実行される暗号化トラフィック分析に分析する。 暗号化されたMatterトラフィックのメタデータのパターンを特定し、エンドデバイスとコントローラの間で発生した特定のインタラクションを推測する。 これらのパターンは、受動的攻撃者がネットワークで使用されるデバイスのタイプを推測できる指紋を作成するために使用することができる。
  論文  参考訳（メタデータ） (2026-02-02T10:34:06Z)
• Smart Surveillance: Identifying IoT Device Behaviours using ML-Powered Traffic Analysis [3.6442413702696506]
  本研究では、IoTデバイスタイプとその動作の分類に機械学習(ML)技術を用いることを検討する。 NPAT対応ルータと,スマートカメラ,コントローラハブ,家電,電力コントローラ,ストリーミングデバイスなど,さまざまなIoTデバイスで構成されるテストベッドを構築した。
  論文  参考訳（メタデータ） (2025-12-06T14:01:56Z)
• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• Over-the-Air Runtime Wi-Fi MAC Address Re-randomization [0.27624021966289597]
  現在の提案では、アクセシビリティポイント(AP)から切り離されたとき、モバイルデバイスMACアドレスを定期的に変更している。 この方法では、フレームは変更間でリンクできないが、モバイルデバイスの存在は、接続されている限り露出する。 本手法は,Wi-Fiフレームの接続性を低減あるいは排除し,接続の切断や切断を待たずに実現する。
  論文  参考訳（メタデータ） (2024-05-24T17:42:15Z)
• Autosen: improving automatic wifi human sensing through cross-modal autoencoder [56.44764266426344]
  WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。 ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。 我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
  論文  参考訳（メタデータ） (2024-01-08T19:50:02Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
  NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。 無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。 エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
  論文  参考訳（メタデータ） (2022-12-19T17:54:36Z)

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。