[논문 리뷰] IoTDevID: A Behaviour-Based Fingerprinting Method for Device Identification in the IoT.

Kahraman Kostas, Mike Just외 1명|arXiv (Cornell University)|2021. 02. 17.

Internet Traffic Analysis and Secure E-voting참고 문헌 6인용 수 4

한 줄 요약

IoTDevID는 네트워크 패킷 행동을 분석하여 IoT 디바이스를 식별하는 기계학습 기반의 지문화 방법으로, 향상된 기능 공학과 데이터 증강을 통해 클래스 불균형 문제를 다룹니다. 세 개의 공개 IoT 데이터셋에서 F1-스코어가 99% 이상을 기록하며, 그룹별 데이터 집계로 인해 성능 향상이 두드러집니다.

ABSTRACT

Device identification is one way to secure a network of IoT devices, whereby devices identified as suspicious can subsequently be isolated from a network. We introduce a novel fingerprinting method, IoTDevID, for device identification that uses machine learning to model the behaviour of IoT devices based on network packets. Our method uses an enhanced combination of features from previous work and includes an approach for dealing with unbalanced device data via data augmentation. We further demonstrate how to enhance device identification via a group-wise data aggregation. We provide a comparative evaluation of our method against two recent identification methods using three public IoT datasets which together contain data from over 100 devices. Through our evaluation we demonstrate improved performance over previous results with F1-scores above 99%, with considerable improvement gained from data aggregation.

연구 동기 및 목표

• 네트워크 환경에서 악성 또는 이심적인 IoT 디바이스를 식별하는 데 도전 과제를 해결하기 위해.
• 불균형한 디바이스 데이터 분포가 존재하는 상황에서 디바이스 식별 정확도를 향상시키기 위해.
• 디바이스 행동 패턴의 그룹별 집계를 통해 식별 성능을 향상시키기 위해.
• IoT 보안을 위한 네트워크 패킷 특징을 활용한 강력한 행동 기반 지문화 방법을 개발하기 위해.

제안 방법

• IoTDevID는 이전 연구에서 유래한 향상된 네트워크 패킷 특징의 조합을 사용하여 디바이스 행동을 모델링합니다.
• 불균형한 디바이스 클래스 분포로 인한 성능 저하를 완화하기 위해 데이터 증강 기법을 적용합니다.
• 디바이스 유형 간 특징 표현 및 모델 일반화를 향상시키기 위해 그룹별 데이터 집계를 활용합니다.
• 증강 및 집계된 특징 세트를 기반으로 기계학습 분류기를 훈련시켜 다양한 IoT 디바이스를 구분합니다.
• 유일한 디바이스 지문을 형성하기 위해 네트워크 트래픽에서 추출한 통계적 및 시간적 특징을 활용합니다.

실험 결과

연구 질문

• RQ1 행동 기반 지문화 방법이 다양한 IoT 디바이스 간에 높은 식별 정확도를 달성할 수 있는가?
• RQ2 클래스 불균형 하에서 데이터 증강이 디바이스 식별 성능에 어떤 영향을 미치는가?
• RQ3 그룹별 데이터 집계는 식별 정확도를 얼마나 향상시키는가?
• RQ4 IoTDevID는 최근의 최첨단 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• IoTDevID는 100대 이상의 디바이스를 포함한 세 개의 공개 IoT 데이터셋에서 F1-스코어가 99% 이상을 기록합니다.
• 데이터 증강의 사용은 미흡하게 표현된 디바이스 클래스에 대한 모델의 강건성을 크게 향상시킵니다.
• 그룹별 데이터 집계는 개별 디바이스 수준의 모델링 대비 뚜렷한 성능 향상을 이룹니다.
• 비교 평가에서 두 가지 최근의 식별 접근법을 능가하는 성능을 보입니다.