شناسایی دستگاه های اینترنت اشیا از طریق تحلیل ترافیک شبکه: نظام مندسازی ویژگی ها، روش ها و چالش ها

گسترش شتابان دستگاه های اینترنت اشیا — از ۲۱٫۱ میلیارد دستگاه متصل در سال ۲۰۲۵ با چشم انداز ۳۹ میلیارد تا ۲۰۳۰ — همراه با ضعف احراز هویت و سهولت جعل نشانگرهای صریح مانند MAC و IP، شناسایی منفعلانه دستگاه از روی ترافیک شبکه را به ابزاری بنیادین در امنیت شبکه بدل کرده است. این مقاله یک نظام مندسازی دانش (SoK) درباره لایه شبکه این موضوع ارائه می کند و به جای آزمایش تجربی تازه، شواهد داوری شده را در یک چارچوب تحلیلی تجمیع می کند. نخست تاکسونومی سه سطحی شناسایی (سطح بسته، جریان و دستگاه/کاربرد) و پنج کلاس ویژگی استخراج پذیر — طول، جهت، زمان بندی بین ورود، سرآیند پروتکل و آماره های جریان — را صورت بندی می کنیم. سپس شاخصی تحلیلی (Φ) تعریف می شود که برای هر کلاس ویژگی، سه بعد قدرت تمایز، مقاومت و دسترس پذیری منفعل را ترکیب می کند؛ همه ورودی های مدل و تحلیل حساسیت وزن ها به صراحت گزارش شده اند. تحلیل نشان می دهد که جهت و طول بسته مقاوم ترین کانال ها هستند و روش های یادگیری عمیق نوین دقتی فراتر از ۹۹٪ گزارش کرده اند، حال آنکه سرآیند پروتکل به سبب فروپاشی زیر رمزنگاری کم ارزش ترین است. درنهایت جایگاه کار را نسبت به مرورهای اخیر روشن و سه چالش باز را ترسیم می کنیم.

کلیدواژه ها:

اینترنت اشیا ، شناسایی دستگاه ، تحلیل ترافیک شبکه ، یادگیری عمیق ، نظام مندسازی دانش.