[논문 리뷰] IoT Inspector: Crowdsourcing Labeled Network Traffic from Smart Home Devices at Scale

Danny Yuxing Huang, Noah Apthorpe외 3명|arXiv (Cornell University)|2019. 09. 21.

Internet Traffic Analysis and Secure E-voting참고 문헌 29인용 수 50

한 줄 요약

이 논문은 IoT Inspector를 소개합니다, 실거주 가정에서 대규모 라벨링된 스마트 홈 네트워크 트래픽을 크라우드소싱하는 오픈 소스 소프트웨어 도구로서 데이터 기반 연구를 가능하게 하면서 사용자 프라이버시를 지킵니다.

ABSTRACT

The proliferation of smart home devices has created new opportunities for empirical research in ubiquitous computing, ranging from security and privacy to personal health. Yet, data from smart home deployments are hard to come by, and existing empirical studies of smart home devices typically involve only a small number of devices in lab settings. To contribute to data-driven smart home research, we crowdsource the largest known dataset of labeled network traffic from smart home devices from within real-world home networks. To do so, we developed and released IoT Inspector, an open-source tool that allows users to observe the traffic from smart home devices on their own home networks. Since April 2019, 4,322 users have installed IoT Inspector, allowing us to collect labeled network traffic from 44,956 smart home devices across 13 categories and 53 vendors. We demonstrate how this data enables new research into smart homes through two case studies focused on security and privacy. First, we find that many device vendors use outdated TLS versions and advertise weak ciphers. Second, we discover about 350 distinct third-party advertiser and tracking domains on smart TVs. We also highlight other research areas, such as network management and healthcare, that can take advantage of IoT Inspector's dataset. To facilitate future reproducible research in smart homes, we will release the IoT Inspector data to the public.

연구 동기 및 목표

• 실제 가정에서 스마트 홈 네트워크 트래픽의 대규모 라벨링 데이터세트를 크라우드소싱한다.
• 광범위한 참여를 유도하는 쉽고, 프라이버시를 고려한 도구를 제공한다.
• 연구 간 비교를 가능하게 하는 기기 라벨의 표준화 및 검증.
• 보안/프라이버시 사례 연구를 통해 데이터세트의 가치를 입증하고 재현 가능한 연구를 촉진한다.

제안 방법

• macOS/Linux에 설치하고 최소한의 설정으로 실행하는 소프트웨어 기반 데이터 수집 도구를 개발한다.
• ARP 스캔을 사용해 기기를 발견하고 선택된 기기로부터 트래픽을 가로채기 위해 ARP 스푸핑을 사용한다(전용 하드웨어 없이).
• 네트워크 트래픽 데이터(예: TLS Client Hello, DNS 요청, 호스트명 등)와 사용자가 제공한 기기 라벨을 수집한다.
• 사용자 동의 및 프라이버시 보장 관행으로 데이터를 익명화하고 안전하게 업로드한다.
• 흐름으로 데이터 전처리하고 트래픽 이해에 도움을 주는 사람이 읽을 수 있는 엔드포인트 라벨을 생성한다.
• 라벨의 일관성을 개선하기 위해 다수의 외부 정보원을 사용해 기기 라벨을 표준화하고 검증한다.

실험 결과

연구 질문

• RQ1 실제 가정에서 수집한 크라우드소싱된 라벨링 네트워크 트래픽이 다수의 벤더에 걸쳐 수만 대의 기기로 확장될 수 있는가?
• RQ2 거대한 규모의 라벨링된 IoT 트래픽에서 어떤 보안 및 프라이버시 인사이트를 얻을 수 있는가(예: TLS 사용, 제3자 광고주)?
• RQ3 외부 소스로 교차 검증했을 때 사용자가 제공한 기기 라벨의 신뢰성은 어느 정도이며 연구용으로 라벨링을 표준화하는 방법은 무엇인가?
• RQ4 실시간 사용자 인사이트 제공이 참여도 및 데이터 수집 품질에 미치는 영향은 무엇인가?

주요 결과

• 데이터세트에는 트래픽이 포함되어 있다 4,322명의 사용자와 44,956대의 기기, 이 중 12,690대의 기기가 사용자가 라벨링했다.
• 사용자의 25%가 최소 2.8시간의 트래픽을 수집했고; 10%는 최소 12.4시간을 수집했다.
• 1,501명의 사용자가 수동으로 8,131대의 기기를 53개 제조사에 걸쳐 라벨링했다.
• 관찰된 53개 공급업체 중 46개가 TLS를 사용했지만, 일부 공급업체는 구식 TLS 버전이나 취약한 암호를 사용했다.
• 19개의 관찰된 스마트 TV 공급업체에서 350개의 서로 다른 제3자 광고주/트래킹 도메인이 식별됐다.
• 데이터세트는 보안/프라이버시, 네트워크 관리, 건강 관련 연구 영역 전반의 분석을 가능하게 한다.