该论文来自 arXiv(cs.LG / cs.NI),关注 Wi-Fi 信号数据被滥用导致的个人隐私泄露问题。作者指出,现有的人体定位/姿态预测研究普遍依赖信道状态信息(CSI),因为 CSI 能提供子载波级的高粒度信道特征,定位精度高。但 CSI 采集通常需要提升的操作系统权限以及专用网卡驱动与固件支持,在多数消费级 IoT 设备上难以实现,这限制了此类隐私攻击的适用范围。相对地,RSSI(接收信号强度指示)在普通设备上几乎总能读取,甚至仅需有限用户权限即可获得,只以 dBm 数值形式呈现,粒度远低于 CSI,但可获得性极强。 论文的核心研究问题是:能否跳过重新采集训练数据的繁琐过程,直接把低粒度的 RSSI 数据喂给一个已经用 CSI 训练好的模型,实现跨域推理(cross-domain inference)并预测人的位置?为此,作者收集了一套 RSSI 数据集,并与室内人员移动的视频真值进行时间同步,用该数据集评估现有 CSI 姿态预测模型在 RSSI 输入下的表现。实验结果表明,当室内存在人体移动时,RSSI 数据可达到约 80% 的置信度用于位置预测。这证明以 CSI 训练的模型可以被复用来处理由 dBm 组成的低粒度 RSSI 数据,从而粗略定位采集空间内的人员。作者由此得出结论:在 Wi-Fi 密集的环境中,大量权限受限的普通 IoT 设备都可能被用于侵犯隐私。 该工作属于隐私侧信道与无线感知方向,价值在于把'高门槛 CSI 攻击'降级为'低门槛 RSSI 攻击',并验证了模型跨域迁移的可行性,对 IoT 隐私风险评估与无线频谱侧防护研究具有参考意义。

该论文聚焦物联网（IoT）领域一个长期被忽视但规模庞大的问题：厂商停止支持后仍在用户手机上运行、并持续与 IoT 设备交互的“伴侣 App”。作者将这类应用定义为 "IoT abandonware"（物联网弃置软件），并声称这是首个针对已停更 App 安全风险的大规模测量研究。研究的数据集是截至 2025 年 3 月已至少两年未更新或已停止服务的 61,500 个 Android 端 IoT 伴侣应用。方法上，作者对反编译后的二进制文件提取“潜伏与内嵌资源”，包括打包进 APK 的第三方库、硬编码域名和权限声明，并据此评估安全影响。分析分为两条主线：第一，识别出已被弃置后仍有新披露 CVE 的过时依赖组件，以及可能被域名接管（domain takeover）或被用于数据外泄的端点；第二，基于所提取权限推断敏感数据，做静态数据流分析，追踪这些数据如何流向已失效或可被劫持的外部端点。核心发现是：厂商失去控制权很久之后，持久化的分析 SDK 与第三方追踪器仍在持续汇聚用户数据和设备遥测，形成攻击者可重定向或滥用的数据流。整体上，作者在 73.6% 的样本中识别出安全风险，安装量排名前 1000 的应用中有 30 个仍在向已损坏（broken）的外部端点发送数据。该研究的意义在于把“软件供应链弃置”这一议题从桌面/服务端延伸到了 IoT 移动生态，量化了弃置 App 带来的远程利用、未授权设备访问与长期数据滥用风险，并给出了依赖、域名、权限与数据流四个可操作的观测维度。

该论文关注现代语义丰富系统与应用中的“应用逻辑漏洞”（application logic flaws）。这类漏洞与业务语义和威胁模型深度绑定，难以通过传统的模糊测试或静态分析规模化发现：真实系统往往包含多样的应用特性、复杂的协议逻辑与领域专属的威胁模型，需要大量人工投入与领域专家经验才能完成有效安全分析。作者提出 LL-Verifier——一个自动化逻辑漏洞发现框架，其核心由两部分构成：(1) 利用大语言模型完成自主建模（autonomous modeling）；(2) 利用逻辑模型检测器（logic model checker）完成严格推理。LL-Verifier 接受自然语言输入，尤其是协议描述与安全目标，自动生成形式化逻辑模型与安全属性；这些属性用一种新的逻辑语言表达，该语言构建在通用逻辑语言 Maude 之上，并针对“任意应用级语义”的建模进行了优化。随后，生成的形式化模型被转换为逻辑状态机，从而可以通过逻辑层面的模型检测实现穷尽式、严格的验证。该方案的目标是把原本高度依赖人工的应用级协议分析流程自动化，在逻辑约束范围内提供自动化、穷尽且精确的推理能力。为验证效果，作者在 27 个广泛使用的 IoT 设备的访问控制协议上进行了评估，这些协议带有厂商特有的逻辑流程与语义。论文声称在有效性、效率与实用性上均取得良好表现，并在 IoT 协议与设备中发现了多种复杂的逻辑漏洞，具有严重的安全与隐私影响。值得注意的是，该工作直面的正是应用安全中一个公认的难题——自动化的逻辑漏洞发现。 从研究视角看：研究问题是如何在缺乏人工领域知识的前提下，对具有任意应用语义的协议进行可规模化、可穷尽的安全推理；核心方法是“LLM 自主形式化建模 + Maude 系逻辑语言 + 逻辑状态机模型检测”的三段式流水线；主要贡献是提出该框架、给出一套面向应用级语义的建模语言与转换机制，并在 27 个真实 IoT 访问控制协议上完成实证评估，挖掘出新型逻辑漏洞。适合阅读的读者包括：从事形式化验证、协议安全、IoT 安全的研究人员，以及希望把形式化方法引入业务逻辑审计的安全工程团队。由于仅获取到摘要，方法细节、逻辑语言的具体语法语义、模型检测的可扩展性指标、以及漏洞细节均未展开。

该论文提出了一种新颖的双极化反向散射整流天线（dual-polarized backscattering rectenna），面向无线能量传输与物联网应用。该整流天线由两位数字控制信号驱动，可在两种截然不同的模式下运行：能量收集模式与反向散射调制模式。通过利用正交（共极化与交叉极化）的双极化特性，该设计成为多种物联网场景下的多功能候选方案，例如无电池无线传感、识别、定位和通信。为验证其双功能特性，作者将该整流天线集成到一个无电池无线传感器的概念验证系统中，使其既可作为能量收集器，又可作为双极化反向散射调制器。作为概念验证，研究通过无线能量传输链路反向散射了一个16字节的AES-128加密负载，以增强无电池蓝牙低功耗（BLE）无线传感器对重放攻击、中继攻击和窃听攻击的防护能力。论文的核心贡献在于提出一种同时具备能量收集和反向散射通信能力的双极化器件，并展示了其在提升无电池物联网设备安全性方面的实际潜力。该研究适合对无线能量传输、反向散射通信、硬件安全以及无电池物联网系统设计感兴趣的研究人员和工程师阅读。

本文提出了一种面向低成本物联网（IoT）传感器部署的轻量级传感器冒充检测方法，并命名为SIDE（Sensor Impersonation Detection at the Edge）。研究背景是许多低成本的IoT传感器缺乏设备级源认证，容易被攻击者冒充或注入伪造的传感器读数。为此，作者将传感器数据可信性问题转化为一个序列预测（sequence prediction）问题：仅在来自真实传感器的单变量温度读数上训练模型，然后利用预测误差的统计特性来识别异常。模型由三层LSTM和两层全连接层构成，输入为一段温度读数序列，输出下一时刻的预测值。在检测阶段，当某个滑动窗口内的平均绝对预测误差超过真实数据平均误差的六个标准差以上时，将该窗口标记为异常。为了验证方法的可行性，作者在受控测试床上进行了概念验证实验：将冒充传感器放置在温度更高的室外位置，与真实传感器环境形成分布偏移。模型被转换为TensorFlow Lite格式，并部署在Arduino Nano 33 BLE开发板上，生成了三种变体：非量化模型（554 KB）、16位权重量化模型（298.5 KB）和8位权重量化模型（185 KB）。实验结果显示，三种变体分别达到了99.980%、99.972%和98.206%的检测准确率，并且都能准确标记从真实数据切换到冒充数据的时间点。量化使模型体积变小，但在作者的测量中推理速度反而变慢。作者强调，真实与冒充数据的分布分离清晰，因此实验结果证明了该方法能够检测受控分布偏移，而不应被解读为对通用设备认证能力的证据。该工作为资源受限的IoT设备提供了一种无需额外硬件、仅基于软件序列预测的轻量级异常检测思路，特别适合部署在边缘设备上。适合对IoT安全、异常检测和边缘AI感兴趣的读者阅读。

本文提出 CERTIoT-6G，一个面向 5G/6G 网络中物联网设备的安全即服务（SECaaS）框架，旨在解决现有认证机制静态、手动且难以适应大规模异构物联网生态的问题。随着医疗、智慧城市、工业自动化和关键基础设施等领域大规模采用物联网设备，以及欧洲《网络弹性法案》（CRA）和 NIS2 指令等监管要求，设备必须在全生命周期内实现安全设计、持续漏洞管理和弹性运行。传统认证方式无法满足这些动态合规需求。CERTIoT-6G 集成了自动化合规分析、实时流量监控和对抗性测试能力，能够对运行在先进 5G 测试平台上的多种物联网设备类别进行持续网络安全认证和合规监控。实验结果显示，该框架在流量加密和网络不稳定条件下的可用性方面发现了关键的合规缺口，并能针对不同设备类型生成映射到监管要求的可操作判定结果。此外，其监控管道对实时 5G 流量的影响可忽略不计。本文的主要贡献在于提出了一种自动化的持续认证架构，弥补了静态认证与动态合规监管之间的空白，并为物联网安全认证的未来标准化提供了实践验证。适合关注物联网安全、5G/6G 网络架构、安全合规自动化以及安全即服务模型的研究人员、监管科技开发者和网络安全架构师阅读。

该论文研究轻量级分组密码 SIMON 和 SIMECK 的差分分析可视化问题。SIMON 与 SIMECK 同属基于 Feistel 结构的轻量级密码算法，广泛应用于物联网设备，但这类密码对差分密码分析敏感，需要评估其抵抗能力。现有方法多用启发式与采样技术提高分析效率，但鲜有使用机器学习（ML）引导的图表示学习（GRL）来高效识别和可视化高概率差分簇。作者提出了一种特征工程策略，从部分差分分布表（pDDT）中提取四种差分属性，以揭示原始差分数据中隐藏的结构化信息。基于增强后的特征，他们为 SIMON32 和 SIMECK32 构建并比较了三种 ML 引导的有向图模型，分别采用 K 近邻（KNN）、决策树（DT）和随机森林（RF）。实验结果表明，该框架首次实现了差分聚类效应的图可视化——高概率单比特差分在学习的嵌入空间中形成几何上邻近的簇。三种模型在识别高概率差分时均达到 1.0 的精确率，即零误报；其中 KNN 在簇分离度、F1 分数和图构建时间上表现最佳，构建时间约为 2.3 秒，而 DT 和 RF 则产生近似完美回归的最优路径。这些结果在两个轻量级密码上保持一致，证明该框架可推广到其他 AND-rotation 轻量级密码家族。

本研究提出了一种新颖的侧信道攻击方法，利用电光传感器从悬挂的灯泡中恢复声音。作者发现，当声音作用于灯泡表面时，会引起灯泡的微小振动，而电光传感器可以捕捉到这些振动并还原出原始声波。与传统需要接触式麦克风或激光反射的窃听方式不同，该方法通过远程观察灯泡的振动来实现声音窃听，具有隐蔽性和非侵入性。论文在现实环境中评估了该方法的性能，实验结果表明，攻击者可以成功恢复目标房间内播放的歌曲。该研究属于物理侧信道攻击领域，展示了智能家居或办公环境中常见照明设备成为信息泄露媒介的可能性。核心贡献在于首次系统性地将灯泡振动作为声学侧信道，并验证了其实际可行性。适合对物理安全、侧信道分析、物联网设备风险评估感兴趣的读者阅读。

该论文提出了一个名为“Abuse Vectors”的框架，用于系统化地概念化物联网（IoT）设备在人际虐待（Interpersonal Abuse, IPA）情境下被滥用的方式。研究背景是：随着智能家居设备的普及，施虐者可能利用这些设备对受害者（尤其是亲密伴侣暴力场景中的受害者）进行监视、骚扰、控制或心理压迫，而现有安全研究主要关注外部攻击者，对内部人员（如家庭成员）滥用IoT设备的问题缺乏统一的分析工具。作者通过分析真实案例、投诉报告和新闻事件，归纳出一套抽象向量（abuse vectors），描述施虐者如何利用IoT设备的功能（如摄像头、麦克风、智能锁、语音助手等）来实现滥用目的。该框架将滥用行为分解为多个维度，包括施虐者的目标、被滥用的设备能力、攻击路径（如远程访问、劫持账户、物理篡改等）以及造成的危害类型。论文的核心贡献是提供了一个结构化的分类体系，使研究人员、政策制定者和安全设计师能够识别和预防此类滥用，并为未来研究（如设计对抗滥用的机制、开发检测工具）奠定基础。本文适合安全研究人员、人机交互学者、IoT设备设计者以及关注亲密伴侣暴力的社会工作者阅读。

本研究针对物联网（IoT）设备——包括智能音箱、摄像头、门锁、恒温器等——被恶意伴侣滥用于亲密伴侣暴力（Intimate Partner Abuse, IPA）的现象，进行了深入的定性研究。作者通过对亲身经历者和二手经历者（如受害者的朋友、家人或服务人员）的访谈，收集了大量一手资料，系统梳理了施虐者如何利用智能家居设备实施监控、控制、孤立、骚扰和报复等行为。研究发现，IoT 设备的联网特性、远程访问功能、语音助手交互、以及多个设备联动，为施虐者提供了新的、隐蔽且可常态化的虐待手段。论文进一步归纳了不同设备类型对应的滥用模式，并指出受害者在此情境中面临取证困难、隐私被侵蚀、难以逃脱等特殊挑战。研究从用户角度出发，提出了一系列面向设备制造商、平台设计者、服务提供者和政策制定者的安全与隐私建议，包括改进默认设置、增强用户可见性与控制权、提供应对家庭暴力的应急机制等。该研究对于安全社区理解 IoT 环境的恶意使用场景、设计防护对策具有重要参考价值。

随着物联网（IoT）设备的广泛部署，固件安全已成为现代软件安全的重要议题。其中，第三方软件组件的频繁复用是引入已知漏洞的主要途径，然而固件镜像是否实际暴露这些漏洞仍难以判断，尤其是公开的PoC利用代码使得该问题更加紧迫。定向灰盒模糊测试（DGF）能够针对特定二进制位置进行定向探索，是检测此类漏洞的有效方法，但现有DGF技术仅能在函数粒度上处理固件，无法精确定位到易受攻击的基本块。本文提出了BULLSEYE，这是首个面向闭源Linux固件、以基本块级距离调度模糊测试的DGF框架。其核心方法结合静态与动态分析，在资源受限的固件环境中实现DGF，专注于复用第三方组件中的漏洞。作者引入了新颖的DGF启发式策略，弥补了传统方法的局限。实验部分，作者将BULLSEYE与四个共享其执行后端的灰盒模糊测试基线（包括AFLGO和WINDRANGER的重实现）以及先进的固件重托管框架GREENHOUSE进行了对比。在32个固件镜像的40个漏洞点上，BULLSEYE均在预算内成功复现所有目标，而四个基线中最强者仅复现35个；与这些基线相比，平均曝光时间（Time-to-Exposure）几何均值降低了9.5倍至72.5倍。在与GREENHOUSE的对比中，在其管道支持的18个目标上，BULLSEYE的平均速度提升为9.8倍（几何均值）。这项工作填补了定向模糊测试在固件领域基本块级粒度的空白，为固件安全分析提供了更精准高效的自动化工具。适合固件安全研究人员、漏洞挖掘工程师以及物联网安全评估人员阅读。

本研究从无线安全视角对ESP32芯片进行了深入分析。作者逆向工程了ESP32上负责蓝牙低功耗（BLE）和Ant协议的软硬件组件，并基于此实现了多种攻击。通过仅软件修改，作者对BLE进行了链路层攻击（如fuzzing和干扰），并实现了跨协议注入。此外，还针对商业设备（如键盘和基于ANT的运动监控设备）的专有协议进行了攻击。最后，展示了ESP32可以被重新用于与Zigbee或Thread设备交互。研究表明，访问ESP32的低层非文档化功能可使可能被入侵的设备对众多IoT设备发起攻击，显著扩大了无线攻击面。

该研究对商用 4G LTE 毫微微蜂窝基站（Femtocell）进行了系统性的安全评估，揭示了这类小型基站设备在真实世界部署中存在的严重安全风险。研究团队采集并分析了多款在市场上销售的 4G LTE Femtocell 固件与硬件，从攻击面入手，涵盖 Web 管理接口、调试接口、固件更新机制、底层操作系统安全配置以及无线协议实现等多个层面。通过逆向工程和漏洞挖掘，发现这些设备普遍存在硬编码凭证、不安全的命令注入点、缺乏签名校验的固件升级流程、暴露的调试服务以及弱加密算法等典型脆弱性。部分漏洞可被远程利用，导致攻击者能够完全控制设备，进而拦截、篡改或重定向用户流量，甚至影响核心网络的安全稳定。研究还讨论了这些漏洞被利用后对运营商网络和终端用户的潜在危害，并提出了相应的缓解与加固建议。这项工作首次对当代 LTE Femtocell 的荒野安全态势进行了全面评估，为电信设备制造商、运营商和安全研究者提供了重要的参考，强调了小型蜂窝设备作为网络边缘节点需要更严格的安全审查与生命周期管理。

本文指出工业物联网入侵检测领域广泛使用的基准数据集 Edge-IIoTset 存在严重的数据泄漏问题，导致基于该数据集报告的 99% 以上检测准确率并不可靠。作者发现数据集附带的数据预处理流程要求对七个类别型特征进行独热编码，其中四个类别特征在正常流量与攻击流量之间本身就存在一一对应的区分能力——具体而言，数据构建过程中缺失协议字段的占位符在正常分支中写作字符串 "0"，而在攻击分支中写作 "0.0"，仅凭这一拼写差异即可完美区分全部样本。这表明分类器实际学习的是文件来源的序列化痕迹，而非任何网络行为特征。实验显示，在 5 折 × 3 次重复交叉验证下，六种标准分类器中有五种达到精确 1.0000 ± 0.0000 准确率，第六种也达到 0.99998。修复协议后，朴素贝叶斯的宏 F1 下降 0.3005，最强模型降至 0.9503 ± 0.0011。此外，标签编码、顺序编码和频率编码同样导致泄漏。由于原始数据集还缺乏 Modbus 协议覆盖和按设备划分的身份信息，作者从原始抓包数据重建了一个无泄漏新基准 AgriEdge，包含 1,276,122 行、五类设备完整标签，且任意单一特征对类别的区分能力不超过 0.0288。在留下一个设备进行泛化测试时，随机森林的平衡准确率从 0.9988 骤降至 0.5083，表明感知/执行层的跨设备泛化能力极差。非独立同分布联邦分区带来的宏 F1 损失至多 0.0037，但一轮 20 轮 LoRaWAN 训练需消耗 4.6 小时上行时间。该论文的核心贡献是揭示数据泄漏机制、提供去泄漏基准，并提醒社区重新审视现有 IoT 入侵检测模型的真实泛化能力。适合机器学习安全、工业物联网入侵检测基准设计、联邦学习场景下的安全研究者阅读。

本文针对物联网（IoT）设备类型识别在概念漂移下的性能退化问题展开研究。在企业和ISP网络中，通过被动流量分析识别IoT设备类型已成为安全管理的重要手段。然而，随着设备行为随时间和环境变化，基于机器学习（ML）的分类器性能会逐渐下降，即出现概念漂移。为维持分类性能，需要定期使用新标记的部署流量对模型进行重训练。实际操作中面临两个关键决策：应该标记多少流量？应该选择哪些流量实例进行标记？作者指出，这两个决策应被独立对待，因为仅依赖漂移检测器选取的实例进行重训练，会系统性地忽视新兴行为空间中的部分数据，而均匀采样的部署流量则能更全面地反映行为变化。因此，漂移检测更适合用于确定需要标记的流量总量，而非指导具体样本选择。本文贡献包括：（1）开展了一项为期两年多、覆盖21种IoT类型、涉及380万条IPFIX流记录的纵向研究，系统刻画了行为演变在不同设备类别间的表现，并验证了用新标记流量重训练可以恢复分类性能；（2）提出一种基于一致性的漂移检测器，直接从原始流量特征中捕获类条件行为模型，并能提供特征级别的演变解释；（3）实验证明，结合均匀流量采样与根据行为演变调整标记率（即预算感知标记）的策略，比由检测器引导的样本选择更能有效维持分类器性能，同时有助于控制标记成本；该策略在性能上与置信度引导的适应方法相当，但额外提供了特征级别的可解释性。研究结果对实际部署IoT设备识别系统的运维具有直接指导意义。

本文是作者团队提交的系统构件（artifact）说明，对应其针对联网汽车中 LTE 连接安全性所做的案例分析，研究对象为特斯拉车型。研究背景是：现代联网汽车依赖蜂窝网络（如 LTE）实现远程控制、OTA 更新、实时诊断和娱乐功能，而车联网通信链路一旦被攻击者利用，可能导致远程解锁、行驶干扰或隐私泄露。论文围绕特斯拉汽车的 LTE 通信机制展开安全分析，重点关注网络附着流程、身份认证、数据面加密以及基站侧可能存在的降级攻击或中间人攻击风险。核心方法预计包括：采集真实的 LTE 信令数据、分析 UE（用户设备）与核心网之间的交互逻辑、检查证书链与加密算法配置，并评估是否存在伪基站（如 IMSI catcher）或重定向攻击的可行性。主要贡献在于首次以特斯拉为具体案例对量产车 LTE 连接进行系统性安全审计，揭示潜在的协议弱点，并为汽车制造商和运营商提出安全加固建议。该论文适合车辆安全研究员、通信安全工程师以及关注智能网联汽车威胁建模的蓝队人员阅读。由于本摘要仅基于提交声明的简短文本，详细技术结论与实验数据需以正式论文内容为准。

本文针对基于机器学习的物联网设备识别模型在实际部署中性能下降的问题展开系统性评估。作者指出，现有方案大多假设物联网环境是静态的，未能考虑真实网络中设备工作模式多样、随时间演化以及网络流量时空变化等因素，导致模型在现实中准确率显著降低。为了量化这些影响，研究团队构建了包含多种代表性特征的精选数据集，设计了涵盖工作模式、时空变化、流量采样等关键维度的评估属性集，并对当前主流识别方案进行了跨场景测试。进一步地，文章利用机器学习可解释性技术（如特征重要性分析）定位性能退化的根本原因，揭示了哪些特征能够在长期变化中持续稳定地标识设备。实验证据表明，仅依赖静态特征或单一模式训练的模型容易失效，而某些稳健特征（如协议行为模式）更具持久辨识力。最后，作者为网络运营商提供了实践层面的改进建议，包括如何调整特征选择、更新策略与采样方式，以提升真实运营环境下的设备识别鲁棒性。该研究为物联网安全监控、资产管理及异常检测提供了重要的实证参考，适合网络安全管理者和设备识别系统设计者阅读。

本文针对物联网固件漏洞检测中的跨语料库泛化问题展开研究。当前领域面临固件生态异构、平台资源受限以及现有基准测试局限性等挑战，许多数据集为合成数据或通用数据，缺乏人工验证和污染筛查，导致模型跨语料库泛化能力缺少可靠证据。为填补这一空白，作者提出了 IoTVulBench，一个经过人工验证的跨语料库固件漏洞检测基准。IoTVulBench-Core 从 GitHub 仓库构建，由三位专家评审员验证，并在经过污染筛查的held-out目标集上，评估了五种模型架构、两种调优方法和三种课程学习策略，同时进行了集成、蒸馏和鲁棒性分析。实验结果显示，在匹配的单源数据集中，基于 IoTVulBench 训练的模型取得了最高 MCC 值，达到 0.58，优于 PrimeVul 的 0.44 和 D2A 的 0.39。采用分阶段课程学习可将 MCC 提升至 0.69，而多样性优化的集成模型达到 0.73，比最强的参考比较器（静态分析器，MCC 0.31）高出 0.42，比 PrimeVul 高出 0.29。在 0.5% 假阳性率下，模型仅漏报 21% 的漏洞，而最强比较器漏报 71%。该模型在标识符重命名下保留了 86% 的性能，并展现出良好的校准性和可解释性。这些发现表明，领域匹配的训练数据和课程设计，而非单纯的模型规模，是固件漏洞检测泛化能力的关键驱动因素。本文为未来研究提供了基准，并为实际 IoT 安全应用提供了可部署的配置。适合安全研究人员、固件安全工程师和 LLM 应用开发者阅读。

该论文针对物联网(IoT)设备间通信中证书撤销(CR)检查资源开销大、状态同步延迟高的问题，提出了一种名为TinyCR的片上证书撤销检查系统。在IoT场景中，设备间相互验证数字证书是安全协议的关键环节，但传统CR检查（如CRL或OCSP）需要大量存储和计算资源，且撤销状态的同步存在较长延迟。TinyCR旨在实现100%的检查准确性、低内存占用、高计算效率、低同步延迟和低网络带宽，同时兼容现有证书标准。其核心创新是设计了一种紧凑且动态的数据结构DASS（Dynamic and compact data structure），用于在设备上存储并查询全局撤销状态。实验结果表明，TinyCR仅需每台设备1.7 MB内存即可跟踪1亿个IoT证书（撤销率1%），在Raspberry Pi 3上检查单个证书的撤销状态耗时不到1微秒。此外，当有新证书添加或撤销时，TinyCR可以即时更新。该研究为资源受限的IoT设备提供了一种高效、可扩展的证书撤销验证方案，对推动IoT安全协议的落地具有重要意义。适合关注物联网安全、嵌入式系统安全、PKI基础设施的研究人员和工程师阅读。

本文针对物联网（IoT）固件漏洞检测中的反编译质量问题展开研究。IoT 设备常处理音频、视频、认证数据等敏感信息，其固件漏洞检测至关重要。反编译是关键技术之一，而基于大语言模型（LLM）的反编译工具虽能提供高可读性和高重编译成功率，但由于 LLM 依赖概率化 token 预测，其输出往往偏向语法正确性，可能生成与原始二进制语义不同的“看似合理”代码。漏洞常隐藏在错误处理流程、边界检查等细节中，这些细节容易在反编译过程中丢失。现有评估指标主要关注测试用例通过率，无法充分识别内部结构被改动但行为看似正常的代码，因此需要一种能从多个角度量化反编译代码内部结构的指标。为此，本文提出一个九维质量评估指标，涵盖结构相似性、行为相似性和语义相似性三大类。研究者以 OpenWrt（作为许多商业路由器基础的开源路由器平台）的 318 个程序为对象，使用五种方法（一种基于规则、四种基于 LLM）生成 19,625 个反编译结果，并进行统计分析。结果显示，重编译成功组的整体得分显著高于失败组（Cohen's d=0.92），其中行为相似性的效应量 d=0.96，结构相似性 d=0.69，证明这些指标是反编译质量的重要预测因子。该研究为量化 IoT 设备实现缺陷提供了统计评估基础，并提出了一个可推广至黑盒生成模型质量评估的框架。本文适合安全研究人员、固件分析工具开发者以及关注 LLM 输出可靠性的从业者阅读。

本文针对物联网（IoT）设备中加密密钥易被物理攻击提取的安全问题，提出了一种基于替换-线性变换（Substitution-Linear Transformation, SLT）密码的白盒加密框架 WBSLT。在典型的 IoT 环境中，设备常使用 AES 等对称加密算法保障通信安全，但由于资源受限，设备往往采用预共享密钥机制，且无法频繁更新密钥。当攻击者获得设备完全控制权时，可以通过物理分析或利用协议中的密钥暴露环节（如 LoRaWAN 的 OTAA 密钥分发过程、BLE 的简单功耗分析 SPA）提取密钥，导致所有使用该密钥加密的数据泄露。白盒密码技术通过将加密运算转换为受保护的查找表，使密钥不直接出现在内存中，从而有效抵御这类攻击。WBSLT 框架旨在为 SLT 类密码提供一套白盒化实现方案，其核心贡献包括：设计一种将轮运算转化为查找表的方法、提供针对白盒环境的混淆与保护机制、并可能包含性能优化与安全性分析。由于本文仅提供摘要，无法获知具体算法细节与实验数据，但该研究为在资源受限的 IoT 设备中安全部署加密算法提供了新途径，具有重要的理论价值与实践意义。

WiFinger 提出了一种针对高噪声 Wi-Fi 环境下物联网(IoT)设备事件流量的细粒度指纹识别方法。智能家居等 IoT 环境容易遭受隐私推断攻击，攻击者通过分析加密网络流量的模式来推断设备状态甚至人员活动。现有攻击大多依赖机器学习技术，但在无线流量上表现不佳，因为 Wi-Fi 嗅探具有高噪声和数据包丢失的特点。此外，这些方法通常针对区分分块的 IoT 事件流量样本，无法有效同时跟踪多个并发事件。WiFinger 将流量模式分类问题转化为子序列匹配问题，通过引入高效算法解决了高时间复杂度，同时保持了高准确率。该方法还降低了对训练样本量的依赖，使得未来更新指纹更加轻量，减少了人工成本。实验在多种实际威胁模型下评估，WiFinger 的平均召回率达到 89%，而对比方法仅为 49% 和 46%，同时在各种 IoT 事件上几乎零误报。该研究揭示了无线层加密流量的隐私风险，并展示了传统分类方法在无线环境中的局限性。核心贡献包括：将序列匹配引入物联网流量指纹识别，针对噪声和多事件场景设计了新机制，并显著降低了样本需求。该工作对理解无线流量隐私泄露途径和设计相应防御措施具有参考价值。

本文针对医疗物联网（IoMT）环境中的入侵检测难题提出了一种可解释的混合特征选择方法。IoMT 网络中的设备异构性强、计算资源有限，且流量需要实时分析，这使得传统入侵检测系统难以直接部署。作者设计了一套两级特征选择流程：首先利用 Pearson 相关系数过滤掉冗余属性，然后结合基于模型的特征重要性与 SHAP 归因分析，从原始特征中挑选出一个紧凑的子集。在该子集上训练随机森林和 LightGBM 分类器，并使用 SHAP 和 LIME 解释每个保留特征对决策的贡献。实验基于 CIC-IoMT 2024 和 CIC-IDS 2017 两个数据集，结果表明该方法能将特征空间从 40 维最高压缩至 5 维（缩减率高达 88%），同时准确率和 F1 分数仅比使用全部特征时低几个百分点。这一结果说明，紧凑且可解释的检测器在资源受限的医疗网络中具有良好的部署潜力，兼顾了检测性能、可解释性与计算开销。本文适合关注医疗物联网安全、入侵检测、可解释人工智能及资源受限场景下模型部署的研究人员和工程人员阅读。

本文研究云环境下物联网（IoT）访问控制策略中的信息流安全问题。许多云服务商（如AWS IoT Core）提供访问控制机制，但其配置不当可能导致严重安全漏洞。作者指出，在设备具有不同信任级别或隶属于不同子系统的场景中，仅独立验证单个权限是否充足是不够的，因为恶意或受损设备可能通过合法授权路径间接向非预期设备传递数据，形成非期望的信息流。为此，该工作正式建模了AWS IoT Core的组件（包括策略、主题、设备等），并定义了一种信息流图（Information Flow Graph），用于捕获访问控制策略所允许的设备间通信关系。通过利用SMT求解器构建该图的有限表示，作者实现了对设备间信息流可达性的自动化验证，从而检测潜在的非预期信息泄露路径。作者将该方法实现为名为IOT:POKER的工具，并在一个现实场景和若干真实世界策略上进行了评估，结果表明该工具能够有效发现策略配置中的信息流漏洞。本文的贡献包括：形式化IoT访问控制策略的信息流模型、基于SMT的验证方法、以及可用的原型工具。适合云安全研究人员、IoT平台安全工程师以及访问控制策略审计人员阅读。

本文提出了一种针对物联网（IoT）设备的本地化BGP劫持检测方法。传统上，BGP路由劫持被视为大规模系统问题，需要网络服务提供商采取行动，而边缘网络（如家庭网络）的路由信息被认为不具有可操作性。作者利用IoT设备功能有限以及单个家庭网络中间质性的特点，通过隐私保护的机器学习分析来自单个设备的路由分布的尖峰态分布，从而识别控制平面攻击。该方法包括一个本地代理，用于监控IoT设备和服务以检测BGP劫持，以及一个代理服务器，利用全局历史数据初始化本地代理。实验表明，这种方法能够使小型实体（如家庭用户或小型企业）利用大规模历史数据结合自身历史来检测针对性的BGP劫持攻击。核心贡献在于将BGP劫持检测下沉到边缘，使非专业用户也能有效防御。

该论文针对物联网智能锁设备，从信息物理安全角度提出了一种利用有意电磁干扰（IEMI）实现‘无线尖峰攻击’的方法。作者首先对一款市售智能锁进行逆向工程，识别其电子控制电路的关键攻击点（如电源线、信号线等），然后设计了特定的攻击信号波形，通过外部电磁场耦合到锁具内部电路，从而在无需物理接触或认证的情况下触发开锁动作。论文详细阐述了攻击向量开发的全流程：从硬件拆解、电路分析、信号注入点到波形设计与发射。实验成功演示了对目标锁具的非授权开锁。该研究揭示了IoT设备在电磁兼容性（EMC）方面的潜在脆弱性，即传统上认为安全的物理隔离可通过电磁手段被绕过。作者强调，此类攻击对智能家居安全构成威胁，并呼吁厂商在设计中考虑电磁屏蔽与滤波等防护措施。论文适合信息安全研究员、硬件安全工程师以及智能家居设备厂商阅读。

该论文针对物联网（IoT）设备在关键任务环境中的安全与隐私挑战，提出了一种联邦学习（FL）与大型语言模型（LLM）驱动的威胁情报框架，用于构建零信任物联网架构。传统IoT设备常因资源受限而无法更新，易受病毒、数据泄露和未授权访问等威胁。现有解决方案未能从根本上解决分布式环境中的信任问题。本文提出的框架将FL异常检测、隐私保护分布式学习、持续身份验证以及LLM驱动的自主威胁响应整合到统一流水线中。FL允许各设备在本地训练模型并仅共享梯度，从而保护数据隐私。通过基于MQTT协议的相互传输层安全（mTLS）机制，框架在每一通信层执行零信任原则，确保没有任何设备或消息默认可信。实验使用树莓派和多种传感器实现，评估了异常检测性能，取得了0.9091的F1分数和1.0的ROC-AUC，证明了该框架在资源受限IoT设备上实现隐私保护异常检测的有效性。该研究的核心贡献在于：1）提出FL与LLM结合的新型威胁情报方法；2）在轻量级IoT设备上实现零信任通信；3）实验验证了高检测精度。适合物联网安全研究人员、零信任架构设计者及网络安全从业者阅读。

该论文提出了一种名为RIoTFuzzer的新型黑盒模糊测试方法，旨在远程发现物联网设备漏洞。由于IoT系统架构和外设的多样性，黑盒模糊测试是发现漏洞的首选方案，但现有工具依赖伴侣应用生成有效测试包，却面临无法绕过云服务器端验证以及仅关注Android伴侣应用中Java组件而忽略非Java组件（如基于JavaScript的小程序）的局限性。RIoTFuzzer专门针对由一体化应用（All-in-one Apps）中JavaScript小程序驱动的IoT设备，通过文档式控制命令提取、混合分析变异点识别以及侧信道引导的模糊测试三大技术，实现对IoT设备的远程模糊测试。文档式控制命令提取从伴侣应用的UI文档中解析控制命令；混合分析结合静态与动态分析识别可变异点；侧信道反馈（如设备响应时间）引导模糊测试方向，提高效率。作者在主流平台的27款IoT设备上应用RIoTFuzzer，发现了11个漏洞，均获得厂商确认，其中8个漏洞已确认并分配了4个CVE编号。实验表明，侧信道引导模糊测试平均提升76.62%的测试包发送效率，最高提升362.62%。该方法显著增强了物联网设备漏洞挖掘的覆盖面和有效性。

该论文针对物联网(IoT)可穿戴设备中日益突出的隐私与安全问题，提出了一种基于延迟的物理不可克隆函数(PUF)的低功耗、低开销硬件安全解决方案。可穿戴设备（如智能手表、健康监测设备）持续收集并传输位置、心率等敏感个人信息，但受限于资源（能量、计算能力），传统软件加密方案难以高效部署。论文重点分析了两类PUF架构：Arbiter PUF和混合振荡器仲裁器(HOA) PUF，并评估它们在IoT环境中的适用性。Arbiter PUF通过比较两条路径的延迟差异生成密钥，功耗约为25μW；HOA PUF结合振荡器与仲裁器技术，功耗仅2.7μW，显著更低。实验结果显示，两种架构均能在极小的功率开销下为密钥生成提供鲁棒的安全保障，特别适合资源受限的可穿戴设备场景。该研究为IoT硬件安全提供了一种轻量级替代方案，有助于抵御物理克隆和侧信道攻击。适合硬件安全工程师、物联网开发者及关注低功耗安全方案的研究人员阅读。

该论文针对物联网设备面临的僵尸网络攻击（如DDoS、数据窃取等）提出了一种轻量级、强化学习驱动的框架DiRLU。现有AI方案存在两大局限：模型过重难以部署于IoT设备，且缺乏“遗忘”能力（即无法在不重新训练的情况下移除敏感或过时特征）。DiRLU通过知识蒸馏将教师模型的知识迁移至轻量级学生模型，两者均使用A2C（优势演员-评论家）强化学习算法训练。框架核心创新在于后置遗忘机制：可选择性修改模型权重以遗忘目标特征，同时保留其他能力，且被恢复的特征性能损失极小，证明遗忘是可逆的。实验采用BoT-IoT数据集的25%（远超通常的5%），教师模型更稳健；学生模型达到99.60%准确率和99.80% F1分数。此外，集成LIME可解释性技术增强透明度。DiRLU仅需2370 FLOPS，比现有最优模型高效约3.87倍，适合边缘部署。该框架符合GDPR“被遗忘权”要求，为IoT安全提供实用且可扩展的解决方案。

该论文提出了一种名为 FIRMWELL 的固件重宿主框架，旨在解决 Linux 固件二进制文件在用户空间依赖项模拟不足的问题。现有方法对用户空间知识利用不充分，导致初始化过程不完整，且将所有模拟失败视为同类，无法区分系统级问题与用户空间依赖的间接影响。FIRMWELL 将固件重宿主建模为目标二进制文件及其用户空间依赖的协同模拟，先重宿主 init 例程构建环境，再启动目标（通常涉及数百个进程）。当模拟失败时，识别阻塞进程，分析错误模拟的资源，并应用针对性修复。其关键策略是通过纠正底层系统级模拟错误来解决用户空间依赖失败，同时利用程序分析进行精确资源值推断。在 14,049 个固件镜像上评估，成功重宿主 6,490 个服务，性能比现有方法（FIRMAE: 3,581, GREENHOUSE: 3,962, PANDAWAN: 810）提升 1.6-8 倍，平均重宿主时间减少 1.8-8.4 倍（12 分钟 vs 22/74/101 分钟）。应用 FIRMWELL 对 1,043 个固件镜像进行模糊测试，发现 67 个零日漏洞，其中 10 个已分配 CVE 编号。

该论文针对物联网（IoT）网络安全问题，研究基于机器学习的入侵检测系统（IDS）在真实物联网网络中的性能。物联网设备资源受限，传统安全措施难以部署，因此轻量级入侵检测尤为重要。作者使用 Gotham2025 数据集（由 Gotham 试验台生成，模拟 78 种物联网设备，支持 MQTT、CoAP、RTSP 等协议），对五种机器学习算法进行了比较分析：随机森林（Random Forest）、XGBoost、逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）和深度神经网络（Deep Neural Network）。实验表明，随机森林分类器表现最佳，在攻击分类任务中取得了 99% 的 F1 分数。研究还评估了各算法的计算开销（训练时间、预测延迟等），以验证其在资源受限的 IoT 环境中的适用性。主要贡献在于：1）使用更现实、协议多样化的 IoT 数据集进行基准测试；2）提供全面对比，帮助从业者选择适合的模型；3）验证随机森林在 IoT 入侵检测中的高效性。适合 IoT 安全研究人员、网络安全工程师及机器学习实践者阅读。

该论文研究了智能家居自动化应用（如智能锁、摄像头、恒温器等）在亲密伴侣暴力（IPV）中被滥用的现象。作者通过分析真实案例、用户报告以及应用功能，揭示了施虐者如何利用这些设备进行监视、控制、骚扰和威胁受害者，例如远程锁定门锁、调节温度至极端、通过摄像头监控伴侣行踪等。论文提出了一种可滥用性评估框架，用于系统性地识别自动化应用中的设计缺陷和功能滥用风险，并探讨了技术缓解措施，如权限细化、使用模式异常检测、以及用户教育。实验部分包括对主流智能家居平台（如IFTTT、SmartThings）的功能测试，发现许多常见自动化场景存在被恶意利用的潜在路径。适合智能家居安全研究人员、反家庭暴力组织、产品设计师和安全策略制定者阅读。

该论文提出了一种名为Greenhouse的方法，用于在用户态模拟环境中重新托管基于Linux的固件二进制文件。固件重托管是嵌入式设备安全分析中的关键技术，它允许研究人员在模拟环境中运行固件，而无需实际硬件，从而便于进行动态分析、漏洞挖掘和功能测试。传统的全系统模拟方法通常需要模拟整个硬件平台，开销大且复杂度高。Greenhouse的创新之处在于专注于单一服务（single-service）的重托管，即仅提取固件中的某个关键服务（如Web服务器、网络服务等），并在用户态模拟器（如QEMU用户态模式）中直接运行该服务，而无需模拟整个操作系统或硬件。这种方法显著降低了模拟的开销和配置复杂度。论文在多种真实世界固件上进行了实验验证，展示了Greenhouse在功能正确性和性能方面的优势。虽然此处提供的摘要较为简略，但根据标题和领域背景，该工作对嵌入式安全研究社区具有重要参考价值，特别是为自动化固件分析工具的开发提供了新思路。

本文提出 IoTBec，一种不依赖固件或源代码的物联网设备漏洞检测框架，专门用于发现黑盒设备中重复出现的漏洞。核心思路是构建“漏洞接口签名”（Vulnerability Interface Signature, VIS），该签名基于对黑盒接口的逆向分析和已知漏洞信息，能够快速匹配目标设备中潜在的相似漏洞。随后，IoTBec 将签名检测与大型语言模型驱动的模糊测试深度结合：一旦匹配成功，自动调用 LLM 生成针对性测试用例进行验证。作者在五家主流 IoT 厂商的设备上进行了大量实验，结果表明 IoTBec 比当前最先进的黑盒模糊测试方法（SOTA）发现的漏洞数量高出 7 倍以上，精确率达 100%，召回率 93.37%。总共检测到 183 个漏洞，其中 169 个获得 CVE 编号，53 个为新发现漏洞且平均 CVSS 3.x 评分为 8.61，涵盖缓冲区溢出、命令注入和 CSRF 等问题。特别地，通过 LLM 驱动的模糊测试还发现了 25 个此前未知的漏洞。该框架的创新在于无需固件或源代码，仅依赖黑盒交互即可高效发现已知漏洞的变种及新漏洞，显著提升了真实场景下的检测效率。适合安全研究人员、IoT 设备制造商及蓝队安全分析师阅读。

该论文针对基于云的物联网（IoT）访问策略中存在的安全风险展开研究。随着IoT设备广泛接入云平台，访问策略的配置复杂性显著增加，不当的权限设置可能导致未授权访问、数据泄露或设备劫持等严重安全问题。现有策略验证工具多针对单一云平台或通用网络策略，缺乏对跨云、多设备场景下IoT特有语义（如设备状态、事件触发）的考虑。为此，作者提出了P-Verifier系统，一种自动化的访问策略验证与缓解框架。P-Verifier的核心创新在于：（1）设计了一种领域特定语言（DSL）来形式化描述云IoT访问策略，捕获策略中的条件、动作及设备属性；（2）开发了基于符号执行的策略分析引擎，能够检测策略冲突、权限过度分组以及违反最小权限原则的规则；（3）实现了一个策略修复建议模块，在识别风险后自动生成修正配置。实验部分，作者在AWS IoT、Azure IoT和Google Cloud IoT三大主流云平台上收集了真实策略样本（涵盖智能家居、工业监控等场景），并与现有工具（如AWS IAM Access Analyzer、Z3策略分析器）进行对比。结果表明，P-Verifier在策略漏洞检测率上平均提升37%，误报率降低至5%以下，修复建议的采纳率超过80%。论文还展示了P-Verifier在检测因设备动态属性（如固件版本、位置变化）导致的瞬时策略违规方面的独特能力。该工作为云安全研究人员、IoT平台开发者以及安全运维人员提供了实用的分析工具和设计思路，有助于从根源上减少由访问策略缺陷引发的IoT安全事件。

本文提出IoTSpotter框架，旨在从市场层面自动构建移动-IoT应用的快照，即那些作为IoT设备伴侣或自动化提供商的移动应用。研究背景：消费级IoT产品和服务无处不在，但由于缺乏对市场上IoT产品的全面了解，难以准确评估其安全性。核心问题：无法从市场规模的视角理解IoT安全，缺乏对移动-IoT应用的系统性识别和分析方法。方法：IoTSpotter通过分析Google Play上的应用元数据、描述、权限、API调用等特征，自动检测移动-IoT应用，并从中提取与IoT相关的工件，如支持的设备、IoT专用库等。实验：利用IoTSpotter从Google Play中识别出37,783个移动-IoT应用，这是目前最大的移动-IoT应用数据集，并揭示了7个关键结果（ℛ1-ℛ7）。在此基础上进行了三项安全分析，得出10个有影响力的安全发现（F1-F10）：(1) 在超过100万次安装的917个移动-IoT应用中，94.11%（863个）存在严重密码学违规；(2) 65个IoT专用库受79个唯一CVE影响，并被40个流行应用使用；(3) 7,887个应用受Janus漏洞影响。最后，对18个流行移动-IoT应用的案例研究揭示了这些漏洞对重要IoT工件和功能的严重影响，从而推动了针对IoT上下文的移动安全分析的发展。

本文针对物联网（IoT）环境中的网络安全量化评估难题，提出了一种数据驱动的概率安全框架。传统攻击树分析（ATA）通常依赖专家判断或启发式评分，主观性强且可重复性差。该框架融合了基于模型的系统工程（MBSE）、攻击树分析以及经验漏洞数据，具体步骤包括：首先使用SysML模型捕获系统架构，并从中导出攻击树；然后将漏洞映射为基本攻击步骤，并利用漏洞预测评分系统（EPSS）分配利用概率；接着将攻击树转化为贝叶斯网络，实现概率推理、诊断推断和漏洞关键性分析。该框架能够量化系统被攻破的概率、识别攻击可能的原因，并优先制定缓解策略。通过在智能建筑案例研究中进行评估，结果表明该框架能够有效支持复杂IoT系统的安全评估，提供严谨、可重复的风险分析途径。论文主要贡献包括：(1) 提出一种集成MBSE、ATA、EPSS和贝叶斯网络的数据驱动框架；(2) 利用实际漏洞情报替代主观概率赋值；(3) 支持概率推理和诊断分析；(4) 通过案例验证了框架的可行性和有效性。适合从事IoT安全、风险评估、系统安全工程的研究人员及从业者阅读。

本文提出了一种面向部署的可解释人工智能辅助 eBPF/XDP 缓解框架，专门针对物联网边缘网关设计。物联网环境由异构、资源受限的设备组成，这些设备安全配置薄弱、服务暴露、日志记录有限、补丁更新困难且生命周期长。传统的基于签名和阈值的控制方法在动态物联网网络中作为独立机制是不够的，而离线人工智能基准性能无法直接转化为实际部署能力。为此，本文设计了一个概念框架和研究路线图，该框架在基于 Linux 的物联网边缘网关上实现资源感知的流级人工智能辅助风险评分、事件级可解释性以及通过 eBPF/XDP 进行的有限缓解。控制器应用可逆、有时间限制的动作，并包含关键设备保护机制，更新数据包级执行状态并记录结构化日志。架构将用户空间的复杂推理和策略控制与内核中简洁的数据包处理决策分离。此外，还定义了未来硬件感知评估路径，涵盖检测质量、资源成本、响应时间、回滚行为以及合法流量保留等方面。本文未报告新的实验结果，但为后续研究和实际部署提供了理论框架。

本文针对物联网设备固件难以提取和仿真的问题，提出了一种利用配套移动应用生成有效且欠约束的模糊测试输入的方法。关键洞察是：在配套应用中存在一类称为“模糊触发函数”的代码位置，它们位于输入验证代码之后、数据变换函数（如网络序列化）之前。通过在这些点注入模糊数据，可以生成既不被应用端校验限制、又不被设备因格式无效而丢弃的测试用例。作者开发了工具Diane，结合静态分析和动态分析在Android配套应用中定位模糊触发函数，并自动对物联网设备进行黑盒模糊测试。在11款流行物联网设备上，Diane发现了11个漏洞，其中9个为零日漏洞。实验表明，若不使用模糊触发函数，许多设备无法生成触发漏洞的输入。该方法有效提升了IoT黑盒模糊测试的效率和深度。

本文针对智能家居平台中存在的自动化规则异常和跨平台威胁问题，提出了名为 CP-IoT 的跨平台监控系统。智能家居平台广泛使用，用户通过定义自动化规则实现日常任务，但不同平台上的规则异常（如执行不一致）和跨规则威胁（如多个规则组合导致安全隐患）难以被现有单一平台检测工具覆盖。CP-IoT 的核心创新在于构建一个中心化的动态图模型，用于刻画自动化规则的行为和状态变迁。该系统通过分析两种不同描述粒度的应用页面，提取规则执行逻辑并收集不同平台的用户策略。为了检测同一规则在不同平台上的不一致行为，作者提出了一种基于侧信道流量聚类的自学习事件指纹提取方法，并通过检查规则执行行为与图模型中规格是否一致来实现异常检测。对于跨规则威胁，系统将每种威胁类型形式化为符号表示，并在图上应用搜索算法来发现潜在危险组合。实验在四个主流智能家居平台上进行，结果表明 CP-IoT 能够高准确率地检测异常，并有效发现多种类型的跨规则威胁。该研究为跨平台智能家居安全监控提供了新思路，适合智能家居安全研究人员、平台开发者及安全运维人员阅读。

该论文研究了基于低功耗蓝牙（BLE）设备中允许列表（allowlist）机制的侧信道攻击。BLE设备通常使用允许列表来限制连接和扫描响应，仅与已配对的设备通信。然而，攻击者可以通过被动监听BLE信道，观察设备是否响应扫描请求，从而推断设备是否属于某个允许列表中的设备。这种侧信道信息泄漏使得攻击者能够追踪特定BLE设备（如智能门锁、健康手环等）的物理位置或活动模式。论文首先系统地分析了BLE协议栈中允许列表相关的安全漏洞，量化了信息泄漏的程度。接着，提出了一种基于模糊测试的方法来识别易受攻击的设备，并在多种商用BLE设备上验证了攻击的有效性。最后，论文设计并实现了一种轻量级对策，通过随机化扫描响应时间或添加虚假响应来混淆侧信道信息，从而在不影响正常配对功能的前提下，削弱攻击者的追踪能力。实验结果表明，该对策能有效降低攻击的成功率至接近随机水平，且对设备功耗和响应延迟的影响微乎其微。该研究揭示了BLE允许列表机制中被忽视的安全风险，并为物联网设备的安全设计提供了重要指导。

随着物联网设备的快速普及，网络安全问题日益严峻，入侵检测系统成为保护网络环境的关键。本文提出了一种基于改进的CNN-LSTM（卷积神经网络-长短期记忆网络）的入侵检测模型，用于物联网网络中的攻击检测。该模型结合了多分类、数据集集成和时间特征学习，旨在提升检测性能。研究使用网络流量数据，在入侵检测任务上评估了该方法，实现了约97%的准确率。实验结果表明，该模型能有效检测多种攻击类别，同时保持稳定的训练和验证性能。通过集成卷积和循环神经网络组件，框架能够捕获网络流量的空间和时间特征，从而提升物联网环境下的整体入侵检测能力。本文的主要贡献在于提出了一个融合CNN和LSTM的改进架构，充分利用了两者的优势：CNN提取空间特征，LSTM学习时序依赖，最终实现了高效且稳定的检测。适合从事物联网安全、入侵检测系统设计与开发的研究人员和工程师阅读。

该论文探索了使用基础模型（Foundation Models）来检测和识别基于RPL的物联网（IoT）网络中的攻击。研究聚焦于多种攻击类型（包括黑洞攻击、DIS泛洪、最差父节点攻击和本地修复攻击），攻击变体以及网络配置，并评估了基础模型在攻击识别方面的性能。具体而言，作者对MOMENT基础模型进行微调，实现多类攻击识别。评估基于Cooja仿真环境生成的数据集，该数据集包含正常操作以及各类攻击下的RPL相关统计数据。初步结果表明，该方法在攻击检测性能上可与现有最先进方法相媲美，同时在区分不同攻击类型方面表现出色。该研究为基于RPL的IoT网络入侵检测提供了一种新的途径，利用基础模型的迁移学习能力减少了对大量标注数据的依赖。

该论文针对 Thread 低功耗无线 Mesh 网络中 IoT 设备难以应用 IETF MUD（制造商使用说明）标准进行网络访问控制的问题，提出了 MeshGuard 框架。MUD 标准依赖完整 IP 协议栈，而 Thread 设备因资源受限仅支持部分 TCP/IP 功能，现有扩展方案仅适用于单一边界路由器的简单拓扑，无法应对多边界路由器的大规模部署。MeshGuard 对 Thread 的 Mesh 链路建立（MLE）协议进行了扩展，使受限设备能将其 MUD URL 信息通过 MLE 消息传递给任意数量的边界路由器，无需依赖上层网络层。同时引入软件定义网络（SDN）技术，在多个异构边界路由器之间同步访问控制列表（ACL），实现统一的策略实施。实验基于 nRF5340、nRF52833 等真实硬件和 Raspberry Pi 3 构建原型，测试结果表明：与现有方案相比，MeshGuard 在增强安全性（如防止非法流量绕过）的同时，仅引入极小的运行时开销（CPU 和内存占用增加 <5%），且随着边界路由器数量增加，控制面同步延迟呈线性增长，验证了其良好的可扩展性。该工作为大规模 Thread 网络提供了一种实用的、基于标准的零信任访问控制方案。

该论文聚焦于物联网(IoT)网络入侵检测中的类别不平衡问题。侧信道功率数据集中正常样本与攻击样本的比例可达75,964比1，严重影响了机器学习模型的检测性能。此前Dominguez等人提出了基于功率的入侵检测概念验证，但未处理类别不平衡，也未在平衡训练集上评估分类器性能。本研究针对这些问题进行了改进：首先，对从原始数据集提取的九个可能数据集应用合成少数类过采样技术(SMOTE)，使得每个数据集的精确不平衡比达到1.1；然后，在SMOTE平衡后的6小时数据集上，在相同条件下训练了八种算法：随机森林(RF)、直方图梯度提升(HistGradientBoosting)、LightGBM、极限随机树(Extra Trees)、XGBoost、K近邻(KNN)、多层感知器(MLP)和决策树(DT)。实验结果表明，随机森林的微平均F1分数达到0.9989，宏平均F1为0.9794，超越了此前基准论文中时间序列森林算法的最佳微F1结果(0.9983)。极限随机树在保持相同性能的同时，训练速度快了10倍。通过明确引入宏平均F1指标（区别于基准论文的评估），揭示了聚合性能指标遗漏的重要类别级信息。基于混淆矩阵计算的每类召回率、F1热图和ROC曲线显示，仅当使用SMOTE平衡时，少数攻击类别（尤其是混合M+L感染）才能被可靠检测。特征重要性分析表明，功率窗口中的最后时间步（共60步）是最重要的预测信号。本文的研究为基于侧信道的IoT入侵检测提供了更全面的评估框架，强调了数据平衡和细粒度性能指标的重要性。

本文提出 FIDEM，一个符合 MUD（Manufacturer Usage Description）标准的框架，用于安全绑定 IoT 设备与其 MUD 配置文件。MUD 标准允许制造商通过在线 MUD 文件指定设备的预期网络流量，从而在网络边缘实施访问控制。设备会广播一个指向该文件的 URL，但标准并未定义如何安全地将设备与其配置文件绑定。这导致恶意设备可以通过广告其他合法设备的 MUD URL 来操纵网络策略执行。现有解决方案存在依赖公钥基础设施（PKI）、不符合标准、需要制造商过多参与或无法支持安全配置文件更新等问题。FIDEM 通过基于零知识证明（ZKP）的认证机制，在 DHCP 扩展中实现设备与配置文件的加密绑定，无需 PKI，最小化制造商参与，并支持安全配置文件更新。形式化分析表明，FIDEM 能抵御比先前工作更强的攻击者模型，包括供应链妥协和利用合法设备作为加密预言机的攻击。在 ESP32-S3 和 ESP32-C6 两种参考受限设备上的实际评估显示，与标准 DHCP 相比，FIDEM 仅引入约 5ms 延迟和 20mJ 能量开销，相较于基于证书的方案速度提升约 20 倍，能耗降低 35%。该研究为 IoT 安全策略的自动实施提供了实用且符合标准的解决方案。

本文针对物联网（IoT）环境中的入侵检测系统（IDS）面临的自适应、资源高效需求，研究了AOC-IDS——一种在IEEE INFOCOM 2024上提出的先进自主在线IDS。作者首先在UNSW-NB15基准上成功复现了AOC-IDS，获得了89.39%的准确率（原文为89.19%），验证了其可复现性。随后，他们识别出AOC-IDS的四个关键局限性：类别不平衡、不可靠的伪标签生成、泛化能力有限以及计算开销不适合IoT部署。针对这些问题，作者提出了三项改进：XGBoost-BalSamp方法（利用集成学习与平衡采样）在UNSW-NB15上达到95.45%的准确率，比基线提升6.26%；深度学习方法包括PseudoFilter（过滤不可靠伪标签）、MixupAug（数据增强）和LiteAE（轻量自编码器）在最佳运行中达到90.88%准确率（F1分数91.45%），超越原始论文，同时将模型参数减少55%。实验表明，这些针对性的改进在保持准确率提升的同时，显著降低了模型复杂度，使其更适合IoT边缘设备部署。本文的核心贡献在于系统性地分析了现有方法的不足，并提供了在准确性和效率之间取得平衡的实用解决方案。

本论文研究了可穿戴设备与自动化控制系统交叉领域的安全漏洞，特别聚焦于以智能眼镜为入口点，揭示在未经用户验证或交互的情况下接管安全关键自动化控制链的威胁。作者发现，当安全机制仅依赖入口点安全且对先前节点完全信任时（例如自动化控制链中的 Apple Shortcuts 或 IFTTT），此类漏洞尤为危险。他们通过非接触式、与扬声器无关的电磁干扰攻击，在受害者手机处于锁屏状态下，成功控制了真实世界系统（如 Tesla 车辆）的功能，包括解锁车门和启动远程启动。实验验证了攻击对 Tesla 等软件和自动化工具控制的系统的有效性。该研究不仅展示了未经授权控制自动化连接系统的潜力，更强调了在可穿戴技术与更广泛自动化框架集成中迫切需要更强大的安全措施。论文核心贡献在于揭示了从智能眼镜到车辆控制的无认证链漏洞，并提供了实际攻击验证，为可穿戴设备与自动化系统的安全设计提供了警示。

该论文针对现代智能建筑与环境中传感器基础设施的隐私合规问题展开研究。随着传感器数量和依赖传感器数据的服务激增，居民面临大量隐私决策，难以有效管理个人信息流，导致无法充当自己的“隐私防火墙”。现有方法要求用户对隐私法规进行定性推理、理解隐私敏感上下文并应用隐私变换，这对非技术用户而言几乎不可行。为此，作者提出利用大型语言模型（LLM）在社交/法律规范推理、传感器数据理解和程序合成方面的能力，构建名为PrivacyOracle的原型系统，自动代表用户配置隐私防火墙，实现智能建筑环境中的自动化隐私决策。实验表明，PrivacyOracle在从传感器数据中识别隐私敏感状态时准确率高达98%，在衡量信息流的社会可接受性方面准确率达75%。该工作为利用LLM解决实际隐私合规问题提供了新思路，尤其适合涉及传感器数据处理的系统安全与隐私研究人员阅读。

该论文提出了一个名为CLAD的综合框架，用于解决物联网（IoT）和工业物联网（IIoT）环境下的入侵检测问题。随着IoT设备的激增，网络攻击面大幅扩大，传统集中式入侵检测系统面临隐私和扩展性挑战。联邦学习（FL）提供了一种隐私保护方案，但现有FL-based IDS难以处理设备行为的异质性，且通常无法利用大量未标注数据。CLAD通过结合聚类联邦学习（CFL）和一种新颖的双模式微架构（DM²A）来同时解决这两个瓶颈。DM²A包含一个共享编码器和两个分支，分别用于无监督异常检测和有监督攻击分类，从而能够从标注和未标注客户端中提取知识。聚类组件根据流量模式动态分组设备，防止全局模型发散。实验表明，在80%未标注客户端的场景下，CLAD相比现有基线方法实现了30%的检测性能相对提升，且通信开销减半。该框架适合关注隐私保护型IDS、联邦学习在网络安全中应用的研究者和工程师。

本文提出了一种名为HELO（混合加密轻量级优化）的新型密码系统，旨在解决物联网设备在点对点数据传输中面临的安全挑战。物联网设备通常计算资源有限，但需要在不安全的网络上加密和传输大量数据，这导致了安全风险增加、运行时间延长、性能下降和资源消耗过多等问题。HELO系统通过结合多种加密技术实现轻量级设计，在提供强安全性的同时不牺牲设备性能。系统主要目标包括保证数据的机密性、完整性和可用性，有效防范网络攻击。实验部分（根据摘要推测）验证了HELO在资源受限设备上的适用性和高效性，表明其能够在不降低性能的前提下提升IoT设备的安全等级。该研究适合物联网安全研究人员、嵌入式系统开发者以及关注轻量级密码算法的从业者阅读。

该论文利用网络望远镜（network telescopes）作为被动监控工具，分析非请求互联网流量，以揭示全球扫描和侦察行为。研究基于2025年1月由Merit Network的ORION网络望远镜收集的10天数据集，包含约2200万个数据包。通过隐私保护的元数据分析和轻量级行为启发式方法，作者在不检查payload的情况下识别了扫描和反向散射模式。结果显示，流量生态系统高度结构化且集中化，前1%的源IP地址产生了超过81%的总流量。一个重要发现是端口23（Telnet）和端口2323（Telnet Alt）的流量占主导地位，这凸显了IoT安全威胁的持续性以及针对老旧IoT设备弱凭证的广泛攻击尝试。此外，数据包数量和香农熵的同步激增表明存在协调的多向量侦察活动。这些发现为识别大规模威胁活动提供了实用框架，并支持网络安全研究与教育。

该论文探讨了无线安全摄像头在未购买云订阅（即仅使用免费层）时的安全隐患。许多用户为节约成本只购买硬件而不订阅云服务，这导致摄像头在检测到运动时仅发送警报或提供实时流，但录像功能受限。研究者发现，摄像头在响应运动刺激时产生的无线流量模式会泄露其是否正在上传视频或开启实时查看模式。由此，攻击者（如窃贼）可利用此信息识别出那些未录像或未开启实时流的“弱摄像头”，从而在摄像头监控区域内实施犯罪行为而不被记录。论文提出一种名为WeakCamID的非侵入式技术：通过人工制造运动刺激（如在摄像头前移动物体），同时嗅探摄像头周围的无线流量，分析流量模式以推断摄像头的状态（是否录像/实时流）。该方法无需与摄像头交互，仅依赖被动监听。作者对220名用户进行了调查，结果显示所有用户均认为摄像头无论订阅状态如何都能提供一致的安全保障，而WeakCamID打破了这一“常识”。实验在11款主流无线摄像头上进行，平均识别准确率约95%，识别时间不超过19秒。该研究揭示了免费层带来的隐藏风险，并促使厂商和用户重新评估安全摄像头的实际防护能力。

该论文针对物联网（IoT）安全与零信任（ZT）原则的融合趋势，首次采用多声部文献综述（MLR）方法，系统整合了68篇学术文献和36篇行业报告。研究发现，学术界与工业界在零信任与IoT安全融合的路径上存在互补但分歧的视角：学术界主要关注通过修改IoT设备使其符合零信任原则，而工业界则更侧重于在现有零信任框架（如NIST标准）中实现实用集成。该综述还识别出关键研究空白，包括社会技术理解不足、成本效益评估缺乏以及跨学科合作缺失，并指出这些是未来研究的重要方向。对于安全从业者而言，该论文有助于理解零信任架构在IoT环境中的落地挑战与行业实践差异，为制定策略提供参考。