rCamInspector: 基于可解释 AI 的物联网 (间谍) 摄像头检测可靠性与信任构建
摘要
使用机器学习 (ML) 模型对网络流量进行分类是解决物联网网络和/或物联网设备安全问题的主要机制之一。然而,ML 模型通常表现为黑盒,这阻碍了根据模型输出做出关键决策。为了解决这个问题,我们设计并开发了一个名为 rCamInspector 的系统,该系统采用可解释 AI (XAI) 为模型输出提供可靠且值得信赖的解释。rCamInspector 采用两个分类器:Flow Classifier——将流分为 IoTCam、Conf、Share 和 Others 四类之一;以及 SmartCam Classifier——将 IoTCam 流分为 Netatmo、Spy Clock、Canary、D3D、Ezviz 和 V380 Spy Bulb 六类之一;两者均与 IP 地址和传输端口无关。rCamInspector 使用 38GB 的网络流量进行评估,结果表明,在八个监督式 ML 模型中,XGB 在 Flow 和 SmartCam 分类器中分别取得了 92% 和 99% 的最高准确率。我们分析表明,基于传统互信息 (MI) 的特征重要性无法为两个分类器中 XGB 的模型输出提供足够的可靠性。使用 SHAP 和 LIME,我们证明可以选取一组独立的特征来解释 XGB 的正确预测。例如,特征 Init Bwd Win Byts 具有最高的 SHAP 值,支持了 Flow 分类器中 IoTCam 和 SmartCam 分类器中 Netatmo 类别的正确预测。为了评估解释器在我们数据集上的忠实度,我们证明 SHAP 和 LIME 的一致性均大于 0.7,充分性为 1.0。与现有工作相比,我们证明 rCamInspector 实现了更好的准确率 (99%)、精确率 (99%) 和假阴性率 (0.7%)。
引用
@article{arxiv.2509.09989,
title = {rCamInspector: Building Reliability and Trust on IoT (Spy) Camera Detection using XAI},
author = {Priyanka Rushikesh Chaudhary and Manan Gupta and Jabez Christopher and Putrevu Venkata Sai Charan and Rajib Ranjan Maiti},
journal= {arXiv preprint arXiv:2509.09989},
year = {2025}
}