利用孪生神经网络的迁移学习进行物联网固件版本识别
《ACM Transactions on Internet Technology》:IoT Firmware Version Identification Using Transfer Learning with Twin Neural Networks
【字体:
大
中
小
】
时间:2026年03月30日
来源:ACM Transactions on Internet Technology
编辑推荐:
物联网设备固件版本识别研究采用迁移学习与双神经网络(TNN)技术,通过分析网络流量统计特征生成灰度图像,利用TNN计算相似度评分并基于Hedges’ g效应量检测版本变化。实验在12台设备11天运行中,稳定版本识别达95.83%,版本变更检测84.38%。
要查看此由人工智能生成的摘要,您必须具有高级访问权限。
摘要
摘要
随着物联网(IoT)越来越深入地融入我们的日常生活,人们越来越担心“智能”设备对网络安全构成的威胁。为了解决这个问题,一项研究方向集中在自动识别物联网设备上。这项研究的根本动机是:我们对设备了解得越多,它们所连接的网络就越安全。然而,现有研究在很大程度上忽视了对物联网设备固件版本的识别。有强有力的证据表明,物联网的安全性依赖于设备使用的是针对已知漏洞进行了修补的最新版本。因此,识别设备是否已更新(版本是否发生变化)或仍然使用稳定版本,对于保障物联网安全至关重要。与识别设备的型号、类型和制造商相比,版本识别面临更多的挑战。显然,不同版本之间的差异更为微妙,因此更难以检测。此外,由于在这一领域的研究相对较少,目前还没有广泛可用的数据集来记录设备版本随时间的变化情况。因此,传统的机器学习算法由于训练数据有限,不适合用于有效的版本识别。在本文中,我们介绍了一种基于迁移学习的技术来识别物联网设备的版本。该技术利用孪生神经网络(TNN)——这种网络专门用于区分不同类型的设备——来检测不同版本设备之间的差异。这种方法所需的训练数据较少,便于在实际应用中推广。具体来说,我们从有线数据包流中提取统计特征,将这些特征转换为灰度图像,然后将这些图像输入TNN以获得相似性得分,并根据相似性得分的Hedges’ g效应大小来确定版本变化。这使我们能够检测到设备版本更新时在线数据流中存在的细微变化。为了评估我们的技术,我们在实验室中设置了12个物联网设备,并记录了它们在11天内多个固件版本下的有线数据包信息。对于用于测试的数据(未用于训练的数据),我们表现最好的模型在识别稳定版本和版本变化方面的准确率分别为95.83%和84.38%。
人工智能摘要
人工智能生成的摘要(实验性)
本摘要是由自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现文章内容、评估其相关性,并帮助来自相关研究领域的读者理解本文的研究成果。它旨在补充作者提供的摘要,后者仍然是文章的正式摘要。完整文章才是权威的版本。点击此处了解更多。
点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。
要查看此由人工智能生成的通俗语言摘要,您必须具有高级访问权限。
生物通微信公众号
生物通新浪微博
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