IoT Security

IoT Concepts

Core Techniques

Pasted image 20230623153756.png

Sensing Layer

WSN: Wireless Sensor Network 无线传感器网络

  • VigiNet:由美国弗吉尼亚大学开发的军事监视系统,具有自主组网、多条传输等特点。
  • Mercury:由美国哈佛大学开发的一种可穿戴医疗监测传感器,具有高精度传感、连续长期数据采集等特点。
  • GreenOrbs:一种森林监测传感器网络系统,适用于长期、大规模、自动化的环境监测任务。

Network Layer

Management Layer

Pasted image 20230623163227.png

Application Layer

Main Components

Sensor 传感器

Microprocessor 微处理器

Communication Chip 通信芯片

Energy supply device 供能设备

Main Characteristic

IoT Security

Security Characteristics of IoT

  • 现有的一些安全解决方案不能完全适用于物联网环境
    • 首先,物联网对应的传感器网络的数量和终端对象的规模远远大于单个传感器网络的规模
    • 第二,连接到物联网的终端设备或装置的处理能力非常不同
    • 第三,物联网处理的数据量将远大于目前的互联网和移动网络

Security Demands of IoT 物联网安全要求

IoT access security 物联网接入安全

  • 感知层的访问安全是关键点
    • 一个传感节点不能被未经认证和授权的节点或系统所访问
    • 设计传感节点的信任管理、身份识别等安全要求

IoT communication security 物联网通信安全

  1. 大量终端节点接入带来的网络拥堵,容易造成 DDoS 攻击
  2. 物联网中传输的数据量较小,一般不会用复杂的加密算法保护,容易在传输过程中被破坏和攻击
  3. 传感层和网络层的融合会带来一些安全问题
  4. 大量无线传输设备出于无人值守的状态,容易被窃取和恶意追踪

IoT data privacy security 物联网数据隐私安全

IoT computing system security 物联网计算系统安全

除了传统网络的安全要求外(如认证、授权、审计等),还包括物联网应用的隐私和安全要求以及服务质量要求,以及物联网应用部署的安全要求。

IoT Security Architecture

IoT sensing security

物联网的传感节点访问和用户访问都离不开信息安全技术,比如身份认证和访问控制。

IoT data security

物联网的数据安全的常用技术包括反侦测、反辐射、信息加密和物理保密

IoT security control

物联网的安全控制要求 不可抵赖性,要求所有参与者不能否认已完成的操作和承诺

IoT security audit

物联网的安全审计要求物联网的保密性和完整性

  • 保密性 要求信息不能被泄露给未经授权的用户
  • 完整性 要求信息不因各种原因而被破坏

Case of IoT Security - Voice Assistant

Limitations of Previous Attacks

Research Background

System Model - Speaker Recognition System

  • 具备基于深度学习网络的 speaker embedding 提取机制
  • 具备用于确定 embedding 相似性的后端评分器

Threat Model - Targeted Adversarial Example Attack

  • 攻击者对 Speaker Recognition System 的具体构成一无所知
  • 但是攻击者可以收集受害者的有限语音样本(10s-20s)

Design Goals

  • Universality: subject-independent & text-independent
  • Transferability: from white-box to black-box
  • Low Complexity: fast perturbation generation
  • Effectiveness: high attack success rate
  • Imperceptibility: imperceptible to human ears

Offline Training Phase

  • Subphoneme-level Perturbation:使用固定的短燃动形成音素级扰动,并持续不同时间
  • Channel Augmentation:利用 MLS 探索真实的信道状态信息以增强数据
  • Transferable Calibration:采用集合学习方法来提高可转移性
  • Expectation Optimization:在一个大训练集上进行训练,而不是在特定的音频上

Online Attack Phase

  • Real-time phoneme extraction:用快速神经系统从现场语音中提取当前音素序列
  • Phoneme Alignment:在 RPS 中用长短句定位当前音素
  • Phoneme Estimation:通过参考 RPS 来估计语音和贴片因素的持续时间