Securing LoRaWAN in the AIoT Era: A Systematic Mapping Study and an MITRE-Based Threat Matrix
Notice bibliographique
Résumé
The rapid expansion of the Internet of Things (IoT) has established LoRaWAN (Long Range Wide Area Network) as a leading low-power, long-range communication protocol across critical domains such as smart cities, agriculture, and healthcare. However, its minimalist design and reliance on unlicensed spectrum expose vulnerabilities across the entire protocol stack from physical-layer jamming to MAC-layer spoofing and application-layer firmware attacks. Concurrently, the rise of the Artificial Intelligence of Things (AIoT) introduces opportunities to reinforce LoRaWAN security via decentralized, intelligent, and adaptive mechanisms. This paper presents a systematic mapping study of 81 peer-reviewed publications (2020–2025), conducted using a PRISMA-based methodology. Our objectives are to: (1) identify key trends and research directions in LoRaWAN security, (2) propose a MITRE ATT&CK-inspired taxonomy tailored to the LoRaWAN stack, (3) analyze AIoT-based security contributions, and (4) highlight unresolved challenges and future perspectives. Our findings indicate that 62% of documented cyberattacks target the MAC layer, exploiting vulnerabilities such as static keys and weak integrity checks. AI-driven techniques including RF fingerprinting (97% accuracy using CNNs), federated learning for anomaly detection, and blockchain-based key management—show promise but raise concerns about scalability and deployment on constrained devices. We introduce the first MITRE ATT&CK-LoRaWAN matrix, detailing 18 attack techniques (e.g., energy depletion, rogue gateways) and associated countermeasures, including post-quantum Kyber-1024 encryption. Finally, we discuss major technical, methodological, and interoperability challenges, and suggest actionable research directions toward secure, AI-native, and resilient LoRaWAN infrastructures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,037 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».