Identifying IoT Devices: A Machine Learning Analysis Using Traffic Flow Metadata
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Prédiction distillée sur la base complète
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.
- Catégories candidates
- aucune
- Catégories consensuelles
- aucune
- Domaine
- Signal candidat: aucuneSignal consensuel: aucune
- Devis d'étude
- Signal candidat: Simulation ou modélisationSignal consensuel: Simulation ou modélisation
- Genre
- Signal candidat: MéthodesSignal consensuel: aucune
- Score de désaccord entre enseignants
- 0,943
- Score d'incertitude au seuil
- 0,582
- Statut de validation
machine_predicted_unvalidated·codex-gemma-dda1882f352a
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 | 0,001 | 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 | 0,000 |
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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 découle
Résumé
Deployment of IoT (Internet of Things) devices in homes, corporate networks and industrial settings continues to rise. The weak security in many such devices leaves them susceptible to targeted attacks. As a result, there is a strong requirement to easily discover and identify such devices, even when they utilize encrypted communications. In this paper, we explore a machine learning (ML) based approach for identification of IoT devices. We contribute to this area of active research by developing a testbed consisting of nine IoT devices and create a labeled dataset which is publicly available. We further investigate eight different ML algorithms with features derived from two different open source network traffic flow analysis tools - Tranalyzer2 and NFStream. Three different flow metadata based feature sets were evaluated to determine their efficacy in identifying the different IoT devices during regular operation. The results show that the Random Forest ML model achieves the highest performance using the Tranalyzer2 feature set with a 99.68% (approximately 100%) F1-Score for identifying IoT devices.
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.
La notice
- Revue
- Thématique
- Traffic Prediction and Management Techniques
- Domaine
- Engineering
- Établissements canadiens
- Solana Networks (Canada)Dalhousie University
- Organismes subventionnaires
- non disponible
- Mots-clés
- MetadataComputer scienceInternet of ThingsFlow (mathematics)Embedded systemWorld Wide Web
- Résumé présent dans OpenAlex
- oui