[论文解读] IoTDevID: A Behaviour-Based Fingerprinting Method for Device Identification in the IoT.

Kahraman Kostas, Mike Just+1 more|arXiv (Cornell University)|Feb 17, 2021

Internet Traffic Analysis and Secure E-voting参考文献 6被引用 4

一句话总结

IoTDevID 是一种基于机器学习的指纹识别方法，通过分析网络数据包行为来识别物联网设备，采用增强的特征工程和数据增强技术以应对类别不平衡问题。它在三个公开的物联网数据集上实现了超过 99% 的 F1 分数，通过分组聚合显著提升了性能。

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.

研究动机与目标

• 为解决在联网环境中识别恶意或异常物联网设备的挑战。
• 在设备数据分布不平衡的情况下提升设备识别的准确性。
• 通过设备行为模式的分组聚合提升识别性能。
• 开发一种基于网络数据包特征的鲁棒、行为导向的指纹识别方法，用于物联网安全。

提出的方法

• IoTDevID 使用来自先前工作的增强网络数据包特征组合来建模设备行为。
• 采用数据增强技术以缓解类别分布不平衡导致的性能下降。
• 通过分组聚合方法提升特征表示能力，并增强模型在不同设备类型间的泛化能力。
• 在增强和聚合后的特征集上训练机器学习分类器，以区分不同物联网设备。
• 该方法利用从网络流量中提取的统计特征和时间特征，构建独特的设备指纹。

实验结果

研究问题

• RQ1 基于行为的指纹识别方法是否能在多样化的物联网设备上实现高识别准确率？
• RQ2 在类别不平衡条件下，数据增强对设备识别性能有何影响？
• RQ3 分组聚合在多大程度上提升了识别准确率？
• RQ4 IoTDevID 与近期最先进的设备识别方法相比表现如何？

主要发现

• IoTDevID 在包含超过 100 台设备的三个公开物联网数据集上实现了超过 99% 的 F1 分数。
• 数据增强的使用显著提升了模型在代表性不足设备类别上的鲁棒性。
• 与基于单个设备级别的建模相比，分组聚合带来了显著的性能提升。
• 在对比评估中，该方法优于两种近期的识别方法。