今年 8 月份，香港中文大學張克環教授研究組在 arxiv 上公佈了一篇文章，展示了他們組對於智慧家居隱私性的研究。文章作者嘗試使用 LSTM 模型對智慧家居里的活躍裝置進行預測。該預測可以使服務提供商（ISP）猜測使用者正在家裡使用什麼型別的裝置，從而有可能對擁有不同裝置的使用者有不同的商業推廣手段。
論文地址：https://arxiv.org/pdf/1909.00104.pdf
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於純淨的實驗室環境，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區別：
同一類別的裝置有相似的流量模式（下圖為兩種語音助手識別語音命令時的流量變化情況）
裝置都有「心跳」傳輸來保證網路和裝置的聯通，不同裝置的「心跳」模式不同
不同裝置傳輸協議比例不同（下圖展示了 IoT 裝置和非 IoT 裝置的協議使用情況）
作者認為，這些特徵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）也能鑑別不同的 IoT 裝置。由於現有的資料集不滿足作者的要求，因此作者團隊自己搭建了一個資料採集的系統。
實驗資料收集
該系統包含 10 個 IoT 裝置和 4 個非 IoT 裝置，系統內裝置如下圖所示。
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 是一種網路地址轉換技術，與 NAT 不同，NAPT 支援埠的對映。NAT 實現的是本地 IP 和 NAT 的公共 IP 之間的轉換，因此本地區域網中同時與公網進行通訊的主機數量就受到 NAT 的公網 IP 地址數量的限制。而 NAPT 克服了這種缺陷——NAPT 技術在進行 IP 地址轉換的同時還對埠進行轉換，因此只要 NAT 中的埠不衝突，就允許本地區域網的多臺主機利用一個 NAT 公共 IP 就可以同時和公網進行通訊。
VPN 通常用於互連不同的網路，以形成具有更大容量的新網路。它是基於 IP 隧道機制，不同子網中的主機可以相互通訊，並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，作者採用了兩種觸發方式：手動觸發和自動觸發，手動觸發可以模擬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；對於語音助手等 IoT 裝置，作者通過重複播放口令來進行觸發。
手動觸發模式只在多裝置場景下使用，在該模式下，作者通過隨機進出房間來對房間內的試驗裝置進行觸發。該種方式與自動觸發相比，更具有隨機隨機性，從而有助於模型的泛化。
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 條有效通訊包。
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——將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，特徵提取和製作資料包的標籤。在特徵提取過程中，共提取了五個特徵，分別是埠 (dport)、協議 (protocol)、方向 (direction)、幀長 (frame length)、時間間隔 (time interval)，並將這五個特徵組成一維向量，如下圖所示。
在給資料包製作標籤的過程中，針對在 VPN 環境下較難打標的問題，作者發現瞭如下規律，從而能夠較精確地給資料包打標籤：
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，這個延遲通常短於 0.02 秒
模型選擇
在模型選擇上，作者共選取了三個模型：隨機森林（基線模型）、LSTM 模型以及 BLSTM（雙向 LSTM）模型。由於隨機森林無法直接學習離散值，作者對埠的特徵值進行了獨熱編碼處理。
對於 LSTM 模型，作者也對輸入模型的資料進行了處理，他將多個連續向量進行了分組並組成流量窗，如下圖所示。
作者使用的 LSTM 模型如下圖所示。該模型由多個基礎模組組成，每個基礎模組又包含有 Embedding 層、LSTM 層、全連線層以及 Softmax 層。
由於 LSTM 模型在學習上下文資訊時只能檢視資料包的「過去」，因此作者又使用了 BLSTM 模型。BLSTM（雙向 LSTM）是 LSTM 的擴充套件，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。
評估指標
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 模型的精度普遍高於隨機森林模型。
隨後，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。因此，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，隨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。
作者對隨機森林模型和 LSTM 模型精度降低的現象進行了分析，認為隨機森林模型精度降低的原因是多個 IoT 裝置和非 IoT 裝置同時使用一個埠進行通訊，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：因此在 VPN 協議的極端情況下，智慧插頭（圖中 orvibo, tplink）產生的流量包可以在流量視窗中被稀釋到不到 3%。令這兩款智慧插頭不能被識別出。（PS 根據這原理，我們上網用這個產生「噪聲」的小程式也可以保障我們的隱私：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，物聯網裝置的網路通訊也會產生嚴重的隱私影響。人們應該進行更多該方面的研究，以更好地瞭解智慧家居網路中地隱私問題並緩解此類問題。
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，主要研究方向為目標檢測。