面向家庭网关的非本质IoT流量智能检测

Internet of Things（IoT）设备的快速扩张，特别是在智能家居环境中，由于其持续的连接性与云服务的交互，引入了相当大的安全和隐私问题。尽管IoT安全取得了进展，但有效的隐私措施仍未得到充分覆盖，现有解决方案往往依赖于基于云的威胁检测，这会暴露敏感数据，或使用过时的允许名单，无法充分限制非本质网络流量。本文提出ML-IoTrim，一个用于检测和缓解非本质IoT流量（即不影响设备操作的流量）的系统，通过在边缘分析网络行为，利用机器学习对网络目的地进行分类。我们的方法包括基于IoT设备行为构建标注数据集，并采用特征提取管道实现对essential与非essential网络目的地的二元分类。我们在包含来自五个类别的IoT设备的消费者智能家居设置中进行测试，证明该模型能够准确识别并阻止非本质流量，包括以前未见过的目的地，且无需依赖传统的允许名单。我们在家庭接入点上实现了该解决方案，表明该框架在大规模IoT环境中具有强大的可扩展部署潜力，支持数百个设备的近实时流量分类。该研究推动了智能家居隐私感知流量控制的发展，为未来在IoT设备隐私方面的发展铺平了道路。