本文提出了一种基于设备指纹技术的模型，能够在网络设备中区分物联网设备和非物联网设备，并能针对每个设备进行唯一识别，通过使用随机森林分类器和不同数据集的实验证明，该方法能够在分辨物联网和非物联网设备方面达到 99.8% 以上的准确率，并在分类个体设备方面达到 97.6% 以上的准确率，可有效帮助运营商提高网络安全性和防止未经授权的访问。

Jan, 2023

该研究应用深度学习来自动识别组织内允许接入的 IoT 设备，以增强网络安全。相较于现有的方法，该方法不需要对网络通讯进行复杂的特征工程，而是通过生成设备通讯负载的小图片来表征 IoT 设备的通信行为。该方法可适用于任何协议的 IoT 设备，及网络地址转换（NAT）启用的路由器。在公开数据集上进行的多种场景测试表明，该方法对已知和未知的 IoT 设备都可以达到 99% 以上的识别准确度。

Mar, 2023

本研究采用深度学习方法分析网络流量，通过网络流量载荷生成小图像的方式，实现对连接到网络上的各种 IoT 设备及未授权连接的设备进行自动识别，训练出的多分类器在公开数据集上精度超过 99%。

Feb, 2020

网络流量分类是物联网中优化资源分配、增强安全措施和确保高效网络管理的关键问题。这篇综述论文通过系统分析和分类现有的深度学习方法，针对物联网环境中的网络流量分类问题，探讨了各种深度学习模型在处理物联网网络流量的独特挑战和限制方面的优缺点。通过这篇综述，我们旨在为研究人员和实践者提供有价值的见解，识别研究空白，并提供未来研究的方向，进一步提高基于深度学习的物联网网络流量分类的效果和效率。

Feb, 2024

消费物联网的安全和隐私旨在对物联网的流量分析进行调查，从中了解安全和隐私的新特征、最新进展以及待解决的挑战，并总结了物联网流量分析过程中的新特征。此外，还详细介绍了基于五个应用目标的现有研究，包括设备指纹识别、用户活动推断、恶意流量分析、安全分析和测量，并讨论了新的挑战和未来的研究方向。

Mar, 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

本研究使用卷积神经网络识别 Aalto 数据集中的设备，为预防安全漏洞提供了重要的因素。

Apr, 2023

本研究比较分析了深度学习（DL）在处理物联网（IoT）任务中，如攻击分类和设备类型识别方面，如何超越机器学习（ML）的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型，我们获得了有关这些模型在不同 IoT 配置下的适应性和实际性的宝贵见解。结果表明 DL 能够超越手动设计特征的限制，在攻击检测方面取得了优越的结果，并在设备类型识别方面达到了可比较的成果。此外，在实验中还出现了显著的特征提取时间差异：传统方法每个数据包需要约 29 毫秒，而 DL 只需 2.9 毫秒完成同样的任务。这个显著的时间差以及 DL 的卓越性能和手动设计特征的局限性，对物联网社区提出了强烈的行动呼吁。这促使我们从为每个数据集探索新的 IoT 特征转向解决将 DL 集成到 IoT 中的挑战，使其成为实际物联网场景的更有效解决方案。

Nov, 2023

研究通过文献回顾和实验探索了使用个别数据包特征（IPF）来进行 IoT 网络中的入侵检测，发现 IPF 的局限性导致了误导性较高的检测率，强调了需要考虑数据包相互作用的方法来实现强健的入侵检测。此外，我们证明基于 IPF 的模型往往无法在不同的 IoT 环境中进行推广，从而损害了它们的可靠性。

Jun, 2024

该研究论文介绍了一种基于人工智能自适应射频指纹技术选择和调谐的物联网设备认证方法，可在具有挑战性射频环境下实现强大而灵活的设备认证。

Nov, 2023