FGIoTDI:基于单包流量的细粒度物联网设备识别

《Computer Networks》:FGIoTDI: Fine-grained IoT device identification from single-packet traffic

【字体: 大 中 小 】 时间:2026年10月22日 来源:Computer Networks 4.7

编辑推荐:

   摘要物联网(IoT)设备的快速普及给网络监控和设备管理带来了严峻挑战。现有的基于流量的识别方法通常依赖多包聚合或手工特征工程,这会增加处理开销并延迟识别。为克服这些局限,我们提出了 FGIoTDI,一种从单个预处理数据包中进行细粒度 IoT 设备识别的闭集框架。FGIoTDI

  

摘要

物联网(IoT)设备的快速普及给网络监控和设备管理带来了严峻挑战。现有的基于流量的识别方法通常依赖多包聚合或手工特征工程,这会增加处理开销并延迟识别。为克服这些局限,我们提出了 FGIoTDI,一种从单个预处理数据包中进行细粒度 IoT 设备识别的闭集框架。FGIoTDI 直接处理固定长度的数据包字节序列,无需跨包聚合或手工统计特征,从而在观察到单个数据包时即可实现设备识别。其核心 TrimSENet 是一种紧凑的一维残差网络,具有针对单包流量表示的压缩与激励重校准机制。在三个公开 IoT 数据集和真实边缘部署上的大量评估表明,FGIoTDI 在不同实验设置下均具有具有竞争力的识别性能。在更严格的流不相交评估协议下,TrimSENet 在所评估的深度学习模型中取得了最佳的整体识别性能,准确率达 95.85%,在统一桌面配置下平均端到端处理延迟为 5.63 毫秒。这些结果表明,FGIoTDI 提供了一种有效且高效的从单包流量中进行闭集细粒度 IoT 设备识别的方法。

引言

物联网设备以其广泛的部署和异构功能特性,已成为智能家居、智慧城市、工业系统和医疗基础设施的基础 [1]。根据近期行业报告,全球 IoT 设备数量已达数百亿并继续快速增长 [2]。这种快速普及增加了网络监控、管理和安全的复杂性,从而强化了对准确高效的 IoT 设备识别的需求。
可靠的设备识别支持异构 IoT 环境中的网络清单、设备感知策略执行和流量分析。然而,MAC 和 IP 地址等显式标识符可能随网络配置变化或被篡改,降低了其作为持久设备识别唯一依据的可靠性。因此,基于流量的行为特征和协议特征提供了互补的依据,可在减少对显式身份信息依赖的同时识别已知设备。相应地,本文中使用基于流量的指纹作为设备识别的互补信号,而非作为密码学认证凭据。
基于这一前提,基于流量的设备指纹因通过通信行为而非仅依赖显式标识符来识别设备而受到越来越多的关注。现有的基于流量的 IoT 设备识别方法可大致分为基于机器学习(ML-based)和基于深度学习(DL-based)两类。ML-based 方法通常依赖手工设计特征来表征设备特定的流量模式 [3],其性能因此严重依赖网络协议和特征设计的领域知识,这可能限制了其在异构 IoT 环境中的适应性。相比之下,DL-based 方法从流量数据中自动学习特征表示 [4],减少了对手工特征工程的依赖,并能够捕获更复杂的流量模式。
尽管取得了上述进展,实际 IoT 设备识别仍面临若干关键挑战,如图 1 所示。首先,有效的识别应在保留有用的基于流量的特征的同时减少对显式地址标识符的依赖。其次,许多现有方法依赖流级别、会话级别或多包表示,需要随时间进行数据包聚合,从而引入额外的观察和处理延迟。第三,区分具有相似流量特征的个别设备仍然困难,尤其是在细粒度识别场景中。受这些挑战的启发,我们专注于单包 IoT 设备识别,即直接从单个数据包推断设备身份,而无需多包聚合。
为此,我们提出了 FGIoTDI,一种单包级别的细粒度 IoT 设备识别框架。FGIoTDI 直接从单个处理后的流量数据包进行设备识别,无需多包聚合和手工特征工程。该设计实现了低延迟推理并简化了整体处理流程。为了有效建模包级字节表示,我们进一步设计了一个紧凑的神经网络 TrimSENet。该模型将残差学习和基于 SE 的通道重校准适配到为一维架构,专为单包流量设计。我们在真实部署和三个公开数据集(CICIoT22、UNSW 和 Aalto)上评估了 FGIoTDI,实验结果显示识别准确率分别为 99.77%、99.33%、97.60% 和 95.44%。
我们将主要贡献总结如下:
  • (1)
    我们提出了 FGIoTDI,一个单包级别的细粒度 IoT 设备识别框架,避免多包聚合以实现低延迟识别。
  • (2)
    我们设计了 TrimSENet,一种紧凑的一维残差架构,专为包字节表示和单包 IoT 设备识别而设计。
  • (3)
    我们在三个公开数据集和真实部署上进行了全面评估,证明了与现有方法相比,FGIoTDI 在准确率、精确率、召回率、F1 分数和端到端处理延迟方面均达到了具有竞争力的性能。
本文其余部分结构如下。第 2 节介绍网络流量分类和 IoT 设备识别的相关工作。然后,我们在第 3 节中描述所提出的设备识别框架。第 4 节评估该框架的性能。最后,我们在第 5 节进行总结。

章节摘要

相关工作

现有的设备识别方法可大致分为基于机器学习的方法和基于深度学习的方法。如表 1 所示,我们将我们的方法与用于 IoT 设备识别的代表性先前方法进行了比较。

所提出的框架

本节介绍 FGIoTDI,一个单包级别的细粒度 IoT 设备识别框架。我们首先阐述设备识别问题,随后介绍数据处理与输入表示、TrimSENet 架构以及训练流程。

评估

在本节中,我们首先描述实验设置和评估协议。然后,我们在包随机协议下报告基准性能,以便与先前的基于流量的设备识别研究进行比较,随后进行更严格的流不相交评估以评估对先前未见流的泛化能力。受控架构消融实验检验了关键设计选择的影响,包括 SE 重校准、网络深度和通道宽度。我们进一步评估了真实场景

结论

在本文中,我们提出了 FGIoTDI,一个用于细粒度 IoT 设备识别的单包框架。所提出的方法避免了跨包聚合和手工统计特征,可以直接从预处理后的数据包字节序列推断设备身份。通过在多个 IoT 数据集上的受控评估,我们证明了 TrimSENet 在传统协议和更严格的流不相交协议下均保持了强劲的识别性能,同时提供了

CRediT 作者贡献声明

Qian Lu:写作 – 审阅与编辑、监督、方法论、概念设计。Zhongshuai Wang:可视化、调查。Yuanchen Jiang:写作 – 原稿撰写、验证、软件、调查。Li Yang:写作 – 审阅与编辑、形式化分析。Hanlin Zhang:写作 – 审阅与编辑、监督。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
Qian Lu 于 2020 年获得中国海洋大学博士学位。目前就职于青岛大学计算机科学与技术学院,担任助理教授。她的研究领域包括网络安全、无线通信和网络安全,特别关注 Wi-Fi 设备识别。
Qian Lu|Zhongshuai Wang|Yuanchen Jiang|Li Yang|Hanlin Zhang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号