Analysis of encrypted wireless traffic for identification of IoT devices
Notice bibliographique
Résumé
With the ever increasing presence of Internet of Things (IoT) devices in smart home and industrial applications, it is important to ensure the same level of security for these devices as it is for traditional network endpoints. However, since many IoT devices do not have the capability to authenticate themselves prior to joining a network, network defenders must rely on behavioural-based identification methods, known as fingerprinting, to detect their presence. Network-Based device fingerprinting involves collecting and understanding device behaviours, based on network packet characteristics such as packet structures and timing. However, highlighted challenges in network-based fingerprinting include high computational complexity due to the large number of features, and dynamic behaviour due to firmware updates and configuration settings.In this study, we propose a machine learning (ML)-based classification framework for device identification, using encrypted wireless network traffic. The proposed approach is comprised of a feature extraction capability, as well as two feature engineering methods, to transform the data for classification using ML methods such as random forest (RaF) and K-nearest neighbor (KNN). Since we are only considering wireless encrypted network traffic, we limit our analysis to a smaller set of features, thus avoiding the need for complex feature extraction mechanisms. We tested the proposed framework on a real world IoT testbed consisting of a dozen commercial IoT WiFi cameras. We show that by identifying a select set of key characteristics with effective feature engineering techniques, we achieve classification accuracy up to 99%, without the need for specialized computing resources or advanced artificial intelligence (AI) techniques. We further demonstrate that, despite firmware updates, we are still able to achieve good accuracy results. Future work includes extending the proposed approach to include fingerprinting of other types of IoT devices and protocols.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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)
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 ».