Fine-Grained Identification for Large-Scale IoT Devices: A Smart Probe-Scheduling Approach Based on Information Feedback
Fine-Grained Identification for Large-Scale IoT Devices: A Smart Probe-Scheduling Approach Based on Information Feedback
复制标题
大规模物联网设备的细粒度识别：基于信息反馈的智能探针调度方法
DOI：
10.3390/app12168335
复制
发表时间：
2022-08
影响因子：
2.7
通讯作者：
Wei Peng
中科院分区：
文献类型：
--
作者：
Chen Liang;Bo Yu;Wei Xie;Baosheng Wang;Wei Peng
大量的物联网设备接入互联网。物联网设备在丰富我们生活的同时，也带来了安全隐患。设备识别是降低安全风险和管理物联网资产的有效方法之一。典型的识别算法一般将数据捕获和目标识别分为两部分。因此，仅在标识过程完成后才评估结果，然后调整数据捕获策略是低效且粗粒度的。为了解决这一问题，我们提出了一种基于信息反馈的细粒度探测调度方法。首先，我们将探针表面建模为物联网设备的三层，并定义它们之间的关系。然后，改进策略梯度算法，优化探测策略，生成目标设备的最优探测序列。我们实现了一个原型系统，并在53,000个不同类别的物联网设备上对其进行了评估，以显示其广泛的适用性。结果表明，该方法对设备品牌、型号和固件版本的识别成功率分别为96.89%、93.43%和83.71%，识别时间缩短了55.96%。
A large number of IoT devices access the Internet. While enriching our lives, IoT devices bring potential security risks. Device identification is one effective way to mitigate security risks and manage IoT assets. Typical identification algorithms generally separate data capture and target identification into two parts. As a result, it is inefficient and coarse-grained to evaluate the results only once the identification process is complete and then adjust the data capture strategy afterward. To solve this problem, we propose a fine-grained probe-scheduling approach based on information feedback. First, we model the probe surface as three layers for IoT devices and define their relationships. Then, we improve the policy gradient algorithm to optimize the probe policy and generate the optimal probe sequence for the target device. We implement a prototype system and evaluate it on 53,000 IoT devices across various categories to show its wide applicability. The results indicate that our approach can achieve success rates of 96.89%, 93.43%, and 83.71% for device brand, model, and firmware version, respectively, and reduce the identification time by 55.96%.
登录
查看更多内容
DOI：
10.1145/3243734.3243796
发表时间：
2018-10
期刊：
Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security
影响因子：
--
作者：
Iskander Sánchez-Rola;Igor Santos;D. Balzarotti
通讯作者：
Iskander Sánchez-Rola;Igor Santos;D. Balzarotti
VNE-TD：一种基于时差学习的虚拟网络嵌入算法
影响因子：
5.6
作者：
Sen Wang;Jun Bi;Jianping Wu;Athanasios V.Vasilakos;Qilin Fan
通讯作者：
Qilin Fan
DOI：
10.1109/infocom.2017.8057146
发表时间：
2017-05
期刊：
IEEE INFOCOM 2017 - IEEE Conference on Computer Communications
影响因子：
--
作者：
So-Yeon Park;S. Lim;Dahee Jeong;Jungjin Lee;Joon-Sung Yang;Hyungjune Lee
通讯作者：
So-Yeon Park;S. Lim;Dahee Jeong;Jungjin Lee;Joon-Sung Yang;Hyungjune Lee
DOI：
10.1109/trustcom50675.2020.00160
发表时间：
2020-12
期刊：
2020 IEEE 19th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom)
影响因子：
--
作者：
Fangzhou Zhu;Liang Liu;W. Meng;Ting Lv;Simin Hu;Renjun Ye
通讯作者：
Fangzhou Zhu;Liang Liu;W. Meng;Ting Lv;Simin Hu;Renjun Ye
DOI：
--
发表时间：
2013-08
期刊：
--
影响因子：
--
作者：
Zakir Durumeric;Eric Wustrow;J. A. Halderman
通讯作者：
Zakir Durumeric;Eric Wustrow;J. A. Halderman