该论文提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量中识别移动应用程序中执行的细粒度用户活动（称为应用内活动）。 该框架使用基于时间窗口的方法将活动的流量分成片段，因此只需观察与活动相关的流量的一小部分就可以识别应用内活动。此框架的准确性为 90％或以上，用于识别已经训练好的应用内活动，并在识别以前未经训练的应用内活动流量（即未知数据）时具有平均准确性 79％。

Mar, 2022

通过分析手机传感器获得硬件指纹，尤其是通过加速度计校准误差，可在移动设备连接到网站时实现去匿名化，同时作为较为安全的身份认证手段，并且此种方法能够提供足够的信息熵，以低概率避免与其他设备的冲突。

Aug, 2014

研究了 Android 应用程序通过互联网网络流量以明文形式泄露位置数据的现象，提出了从原始网络流量中挖掘和过滤位置数据并利用地理位置聚类方法推断用户兴趣点的过程，证实了此现象在智能手机用户中的普遍性和严重性，85% 的用户设备泄露了位置数据，而通过这些数据推断用户兴趣点的暴露率约为 61%。

Dec, 2018

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

本文借助于人工智能技术，探讨了利用现代处理器的微体系结构存在漏洞对移动电话用户个人隐私数据的侵害问题，并展示了将先进 AI 技术与最终级缓存 (LLC) 的活动剖析相结合的效果。实验结果表明，在短短的时间内，通过建立的模型精度达到 98% 以上，证明利用 AI 技术实现微体系结构攻击的风险越来越大。

Nov, 2018

近年来恶意软件攻击中使用加密的 HTTP 流量进行自我传播或通信的数量急剧增加。本文应用三种机器学习技术来区分恶意加密的 HTTP 流量与良性加密流量，并获得与以往研究相当的结果。同时，我们详细考虑特征分析问题，并证明可直接从机器学习模型中获取与特征相关的信息。我们认为这种基于机器学习的特征分析方法更可靠，例如我们可以发现相对非直观的特征之间的相互作用。

Dec, 2023

使用基于监督机器学习的设备指纹模型，仅利用通信流量特征（或隐含标识符）来识别网络连接的物联网设备，达到了对 22 个智能家居物联网设备进行分类的 98% 准确率，从而提高网络安全性。

Feb, 2024

本研究提出了利用局部敏感哈希技术进行网络流量指纹识别的解决方案，并通过与基于机器学习的流量指纹识别方法的比较，得出了相对于现有方法准确率提高了 12% 的结论，达到了 94% 的网络设备识别准确率。

Feb, 2024

此文研究智能家居物联网设备对隐私带来的挑战，发现流量塑形可以很好地减轻这些风险。

Aug, 2017

通过结合智能手机设备的显著增长以及在敏感应用程序（如互联网银行）中使用移动平台的快速普及，使移动恶意软件迅速增加。本文提出了一种机器学习动态分析方法，为每个恶意软件检测提供可证明有效的置信保证，并且该保证对恶意和良性类别都适用并不受数据偏差的影响。所提出的方法基于一种名为一致性预测的新型机器学习框架，结合了随机森林分类器，在一个真实的 Android 设备上安装了 1866 个恶意应用程序和 4816 个良性应用程序的大规模数据集进行了性能测试。实验结果证明了所提出方法产生的输出的经验有效性、有用性和无偏性。

Dec, 2023