Notice bibliographique
Résumé
With the ever-growing reliance on IoT-enabled sensors to age in place, a need arises to protect them from malicious activities by detecting attacks or other anomalies. In this work, we first confirm the presence of correlations between co-located sensors by statistically analyzing two public smart-home datasets and a dataset we collected from our lab. Then, we leverage the sliding window approach and supervised machine learning to develop a novel contextual-anomaly-detection model that reaches a true positive rate of 89.47% and a false positive rate of 0%. \nFurthermore, as homes become smarter with these IoT sensors, the underlying communication technology they employ becomes a target for attackers. Typically, these sensors are paired with a micro-controller that has an inbuilt communication module (e.g., Bluetooth/WiFi), to form an edge device that facilitates communication. Monitoring vitals, climate control, illumination control, fall detection, incontinence detection, pill dispensing, and several other functions are successfully addressed by these devices. The family of vulnerabilities recently found in the the Link Manager Protocol (LMP) and baseband layers of the Bluetooth Classic (BT Classic) stack called BrakTooth, poses a genuine threat to the availability of such devices. In response, our research introduces a cost-effective experimental active sniffer that captures traffic at both these layers of the BT Classic stack and utilizes supervised machine learning to detect Braktooth-based attacks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».