随着IoT的迅速发展,IoT设备逐渐走向千家万户,人们的日常生活也与其紧密联系起来。然而,在IoT技术不断发展的同时,一些由其引起的隐私安全问题也激起人们的关注。过去的一些研究已经证明无论是智能家居还是其他IoT设备都有泄露用户隐私的风险。例如,网络运营商可能通过分析数据获知用户对智能家居的偏好选择,从而投放广告。攻击者也可以通过分析流量推断用户行为。更有甚者,利用无线摄像头进行非法偷拍。这些攻击行为对人们的日常生活、财产安全造成了严重的威胁。目前已经有一些研究给出了智能家居的隐私保护方法。然而Apthorpe提出的隐私研究方法未考虑到Wi Fi窃听者可能窃取隐私,而Wi Fi攻击者仍然能够绕过其提出的保护方法获取用户隐私。而Acar等人则未考虑Wi Fi场景下网络状况不一的情况,其分析成功率不高。因此,本文提出一种实际Wi Fi场景下的隐私攻击方法,证明了在复杂的场景下,例如不同的建筑、不同的位置、不同的网络,Wi Fi攻击者能够通过分析加密后的Wi Fi数据获取设备的类别和工作状态,进而推断人们的隐私信息。同时,Apthorpe等人提出的隐私保护方法无法保护Wi Fi窃听者,只能保护路由器出口之后的数据流量,因此,本文提出了一种名为Air-Padding的隐私保护方法,通过向无线链路中注入伪造流量来改变智能家居的流量模式,保护智能家居的类别和工作状态不被识别。实验证明,Air-Padding能够有效对抗Wi Fi攻击者的隐私攻击,保证人们的隐私安全。本文的另一项工作是提出了一种隐藏摄像头的检测方法,该方法能够有效利用视频压缩算法中帧内压缩的特点,通过改变外部环境的亮度和色彩,分析环境改变前后的流量变化,进而检测酒店、会议室内可能存在的隐藏摄像头。实验结果证明,该检测方法有超过95%的准确率检测隐藏摄像头。论文主要包括三个部分的内容:第一部分的研究主要介绍了一种基于流量分析的智能家居隐私分析方法,攻击者可能通过智能家居的无线数据传输分析其设备类别和工作状态,进而推断用户行为,破坏用户隐私。并在实际环境下进行了隐私分析实验,分别在不同的网络环境,不同的智能家居设备、不同的建筑场景、不同的数据采集器部署位置、不同的时间窗口选择、不同的机器学习算法下进行隐私分析实验。结果证明,无论场景如何变化,本文提出的隐私分析方法都有很高的成功率识别智能家居的设备类别和工作状态。其检测成功率能够达到95%以上。第二部分的研究主要介绍了Air-Padding,一种保护链路层数据隐私安全的方法。Air-Padding通过向无线空间中注入伪造数据包改变待保护设备的流量特征,进而防止攻击者识别智能家居的设备类别和工作状态。并详细介绍了Air-Padding的原理,并对实验进行描述,测试了Air-Padding在保护低带宽设备和高带宽设备时的有效性,并对其开销进行评估。在该部分最后,与Datta和Apthorpe提出的隐私保护算法进行对比。相比而言,Air-Padding能够保护设备到路由器之间的数据隐私安全,并且产生最小的开销,更加轻量级。第三部分介绍了一种隐藏摄像头的检测方法,该方法基于分析无线流量实现。通过采集、处理无线数据,计算每个数据流的单位时间窗口内的数据传输总量,改变环境明暗度,计算环境改变前后数据流数据传输总量的减少占比,确定屋内是否存在隐藏摄像头。同时,对具体的实验进行了介绍,分别测试了已知的隐藏摄像头、未知的隐藏摄像头、时间窗口的选择、Trp(流量减少百分比)阈值的选择、Trp分组的设置,并加入未知其他设备以模拟真实的网络环境。通过对实验数据的分析,确定了检测方法的最佳参数选择,当时间窗口设置为30s,Trp阈值超过20%,Trp分组设置为3组时,该检测方法拥有最佳检测结果,超过95%。最后,与Cheng和Wu二人提出的检测方法进行了对比,相比二人的检测方法,本文提出的检测方法更加便捷可行,并且对视频压缩算法没有要求和限制。