GeMID：通用 IoT 设备识别模型

随着互联网物联网（IoT）设备的普及，确保其安全性已成为当务之急。设备识别（Device Identification, DI）通过流量模式区分 IoT 设备，对于区分设备和识别易受攻击的设备具有关键作用，弥合了严重的安全鸿沟。然而，现有基于机器学习构建的 DI 方法往往忽视了模型在不同网络环境下普适性的挑战。本研究提出一种新型框架，以解决此限制，并评估 DI 模型在不同网络环境下的数据集的普适性。我们的ethods 采用两步方法：首先，我们开发一种对普适性问题更稳健的特征和模型选择方法，利用遗传算法结合外部反馈，并使用来自不同环境的数据集进行优化；其次，对得到的 DI 模型在进一步的独立数据集上进行测试，以稳健地评估其普适性。我们通过实证比较证明了该方法的有效性，突出了诸如滑动窗口和流统计等常用技术的根本局限性如何限制其普适性。此外，我们表明统计方法在 IoT 设备识别中的可靠性不足，因为它们依赖于网络特定特征而非设备内在属性，这挑战了大量现有研究的有效性。我们的发现推动了 IoT 安全和设备识别领域的研究，为改善模型效果、减轻 IoT 网络风险提供了见解。