在此之前，已經有不少人做了相關的研究，但他們的研究大都是基于純淨的實驗室環境，很難移植到複雜的現實環境中。作者通過分析真實世界中的 IoT 裝置以及公開資料集，發現物聯網裝置的流量與桌面流量和移動流量相比有以下差別：
- 同一類别的裝置有相似的流量模式（下圖為兩種語音助手識别語音指令時的流量變化情況）
- 裝置都有「心跳」傳輸來保證網絡和裝置的聯通，不同裝置的「心跳」模式不同
- 不同裝置傳輸協定比例不同（下圖展示了 IoT 裝置和非 IoT 裝置的協定使用情況）
作者認為，這些特征表明即使是在複雜場景下，而且具有一定的安全裝置（NAPT 和 VPN）也能鑒别不同的 IoT 裝置。由于現有的資料集不滿足作者的要求，是以作者團隊自己搭建了一個資料采集的系統。
實驗資料收集
該系統包含 10 個 IoT 裝置和 4 個非 IoT 裝置，系統内裝置如下圖所示。
作者準備在三個環境下收集流量資訊：單一裝置環境、多裝置嘈雜環境 (使用 NAPT 技術) 以及 VPN 環境。首先介紹一下 NAPT 技術和 VPN 技術。NAPT 是一種網絡位址轉換技術，與 NAT 不同，NAPT 支援端口的映射。NAT 實作的是本地 IP 和 NAT 的公共 IP 之間的轉換，是以本地區域網路中同時與公網進行通信的主機數量就受到 NAT 的公網 IP 位址數量的限制。而 NAPT 克服了這種缺陷——NAPT 技術在進行 IP 位址轉換的同時還對端口進行轉換，是以隻要 NAT 中的端口不沖突，就允許本地區域網路的多台主機利用一個 NAT 公共 IP 就可以同時和公網進行通信。VPN 通常用于互連不同的網絡，以形成具有更大容量的新網絡。它是基于 IP 隧道機制，不同子網中的主機可以互相通信，并且可以通過認證和加密保密傳送的資訊。在生成流量的過程中，作者采用了兩種觸發方式：手動觸發和自動觸發，手動觸發可以模拟真實環境下的人機互動，自動觸發可以減輕實驗者的負擔。在自動觸發模式下，作者使用 Monkey Runner 對需要用 APP 進行互動的 IoT 裝置進行觸發；對于語音助手等 IoT 裝置，作者通過重複播放密碼來進行觸發。手動觸發模式隻在多裝置場景下使用，在該模式下，作者通過随機進出房間來對房間内的試驗裝置進行觸發。該種方式與自動觸發相比，更具有随機随機性，進而有助于模型的泛化。整個流量收集過程持續 49.4 個小時，共收集 4.05GB 的資料，共包含 7223282 條有效通信包。
資料預處理
在進行實驗評估之前，作者先對資料進行了預處理——将初始資料轉換為模型能夠處理的數值向量。
資料預處理過程可分為兩部分，特征提取和制作資料包的标簽。在特征提取過程中，共提取了五個特征，分别是端口 (dport)、協定 (protocol)、方向 (direction)、幀長 (frame length)、時間間隔 (time interval)，并将這五個特征組成一維向量，如下圖所示。
在給資料包制作标簽的過程中，針對在 VPN 環境下較難打标的問題，作者發現了如下規律，進而能夠較精确地給資料包打标簽：
- 經過 VPN 處理後，資料包的體積會變大
- 不同體積的資料包經過 VPN 加密後體積相同
- VPN 會引起資料包傳輸延遲，這個延遲通常短于 0.02 秒
模型選擇
在模型選擇上，作者共選取了三個模型：随機森林（基線模型）、LSTM 模型以及 BLSTM（雙向 LSTM）模型。由于随機森林無法直接學習離散值，作者對端口的特征值進行了獨熱編碼處理。
對于 LSTM 模型，作者也對輸入模型的資料進行了處理，他将多個連續向量進行了分組并組成流量窗，如下圖所示。
作者使用的 LSTM 模型如下圖所示。該模型由多個基礎子產品組成，每個基礎子產品又包含有 Embedding 層、LSTM 層、全連接配接層以及 Softmax 層。
由于 LSTM 模型在學習上下文資訊時隻能檢視資料包的「過去」，是以作者又使用了 BLSTM 模型。BLSTM（雙向 LSTM）是 LSTM 的擴充，它通過組合從序列末尾移動到其開頭的另一個 LSTM 層來利用來自「未來」的資訊。作者使用的 BLSTM 模型見下圖。
模型評估
資料集
共有兩種資料集，Dataset-Ind 以及 Dataset-Noise。每種資料集又有兩個版本：NAPT 版本和 VPN 版本。Dataset-Ind 資料集包含來自 10 個單獨 IoT 裝置的流量資料，這些資料被組成流量窗。Dataset-Ind 資料集共有 32760 個流量窗。
Dataset-Noise 資料集中的資料也是以流量窗的形式存在，與 Dataset-Ind 資料集不同的是，該資料集中的每個流量窗都是由多個裝置的資料包組成。Dataset-Noise 資料集包含 114989 個流量窗。
評估名額
總精度（overall accuracy) 和分類精度（category accuracy）
評估結果
在 Datatset-Ind 資料集下的評估結果如下表所示。從表中可以看出，LSTM 模型的精度普遍高于随機森林模型。
随後，作者又在 Dataset-Ind 資料集下研究了流量窗大小對實驗精度的影響，結果顯示，流量窗越大，實驗精度越高。是以，在接下來的實驗中，流量窗的大小預設為 100。
在 Dataset-Noise 資料集下的評估結果如下圖所示。由圖中可以看出，随機森林模型在該資料集下的總精度下降明顯，在 NAPT 環境下總精度為 84.5%，在 VPN 環境下的總精度為 67.6%。而 LSTM 模型在 NAPT 環境下表現較好，在 VPN 環境下表現較差。
作者對随機森林模型和 LSTM 模型精度降低的現象進行了分析，認為随機森林模型精度降低的原因是多個 IoT 裝置和非 IoT 裝置同時使用一個端口進行通信，使得該模型分類失敗；而 LSTM 模型精度下降的原因，作者認為是由稀疏流量造成的：是以在 VPN 協定的極端情況下，智能插頭（圖中 orvibo, tplink）産生的流量包可以在流量視窗中被稀釋到不到 3%。令這兩款智能插頭不能被識别出。（PS 根據這原理，我們上網用這個産生「噪聲」的小程式也可以保障我們的隐私：
https://github.com/1tayH/noisy）
結論
根據實驗結果，作者認為即使是在加密和流量融合的情況下，物聯網裝置的網絡通信也會産生嚴重的隐私影響。人們應該進行更多該方面的研究，以更好地了解智能家居網絡中地隐私問題并緩解此類問題。
相關資料：
1. Accessed: September 2019. "Can a MAC address be traced?". Available online at
https://askleo.com/can_a_mac_address_be_traced/.2. Acar A, Fereidooni H, Abera T, et al. "Peek-a-Boo: I see your smart home activities, even encrypted!". arXiv preprint arXiv:1808.02741, 2018. Available online at
https://arxiv.org/pdf/1808.02741.3. Bezawada B, Bachani M, Peterson J, et al. "Iotsense: Behavioral fingerprinting of iot devices". arXiv preprint arXiv:1804.03852, 2018. Available online at
https://arxiv.org/abs/1804.03852.4. Apthorpe N, Reisman D, Feamster N. "A smart home is no castle: Privacy vulnerabilities of encrypted iot traffic". arXiv preprint arXiv:1705.06805, 2017. Available online at
http://arxiv.org/abs/1705.06805.5. Apthorpe N, Reisman D, Sundaresan S, et al. "Spying on the smart home: Privacy attacks and defenses on encrypted iot traffic". arXiv preprint arXiv:1708.05044, 2017. Available online at
http://arxiv.org/abs/1708.05044.6. Accessed: September 2019.「Smart home blog」. Available online at
https://blog.smarthome.com/.作者介紹：蘆新峰，吉林大學在讀碩士，主要研究方向為目标檢測。
本文為機器之心原創，轉載請聯系本公衆号獲得授權。