IOTWFST — IoT WFST Side-Channel Attack Framework

English | 简体中文

基于**加权有限状态转换器（WFST）与图神经网络（GNN）**的物联网侧信道攻击框架，用于研究和评估 IFTTT / TAP（Trigger-Action Platform）等智能家居平台中用户自动化规则的隐私泄露风险。

⚠️ 本项目仅供学术研究与安全评估使用，请勿用于任何未经授权的攻击行为。

项目概述

本框架模拟一种跨应用侧信道攻击：攻击者利用 IFTTT / TAP 等平台的公开规则描述（Applet 名称、触发器与动作说明、流行度等元数据），结合部分已知设备的行为数据，推断用户的私有自动化规则（触发-动作对），从而揭示智能家居场景下用户行为模式的隐私泄露风险。

威胁模型

• 攻击者能力：可观察到部分（已知）设备上公开可见的触发/动作事件流，可访问 TAP 平台的公开 Applet 描述与流行度数据；
• 攻击目标：推断用户私有规则（Trigger → Action 对），包括级联规则（多设备动作链）与隐私规则（secretRule，从训练数据中剔除以模拟真实隐私场景）；
• 评估指标：Top-K 规则推断的召回率（Recall）与精确率（Precision）。

两种推断方法

方法	入口	核心技术
WFST + 传统 ML	main.py / main2.py	加权有向图 + scikit-learn（决策树 DT / 随机森林 RF / AdaBoost）
WFST + GNN	mainGNN.py	图卷积网络（GraphSAGE / GCN / GAT）异构图链接预测

攻击流程

INIT → Dataset Generation → GNN Dataset Convert → Preprocess → Train → Attack + Evaluation
 ①         ②                      ③                    ④           ⑤           ⑥

1. 环境初始化（Init.py）：随机选择设备与规则，划分攻击方已知/未知设备，构建设备对象图；
2. 规则数据集生成（RuleDatasetGenerator.py）：构建含级联规则与隐私规则（secretRule）的攻击数据集；
3. GNN 图转换（GNNDataset.py）：规则数据转换为 DGL 异构图（设备 = 节点，规则 = 带类型标签的边）；
4. 图预处理（data_preprocess.py / data_splitter.py）：节点 one-hot 编码、边特征、正负样本采样与 train/test 划分；
5. 模型训练（TAGNN.py / model.py / MLTraining.py）：GNN 编码器 + MLP 链接预测器，或 DT/RF/AdaBoost 分类器；
6. 攻击与评估（AttackRule.py / EventAttack.py / output_result.py）：Top-K 规则推断，计算召回率/精确率。

数据集

目录	内容
Applets/	从 TAP 平台爬取的 55 个服务的 Applet 规则原始数据（CSV），含名称、描述、触发器、动作、设备与流行度
TA/	54 个常用设备的 Trigger / Action / State 定义（Trigger.csv、Action.csv、State.ini）
TA_Popular/	50 个热门设备的数据子集（对应 popularDeviceList.npy）
TA_ALL/	771 个全量设备数据
tools/	辅助工具脚本（数据爬取、设备列表生成、GNN 测试、演示等）

运行实验时会自动生成 Environment/、Attack/、Model/、log/、result/ 等目录（已在 .gitignore 中忽略），无需手动创建。

快速开始

环境要求

• Python 3.10+
• macOS（Apple Silicon）或 Windows（NVIDIA / AMD / Intel GPU）或 Linux

安装

# macOS（Apple Silicon，自动启用 MPS 加速）
pip install -r requirements_macos.txt

# Windows（NVIDIA GPU 自动启用 CUDA）
pip install -r requirements_windows.txt

# 可选：Windows 上为 AMD / Intel GPU 启用 DirectML 加速
pip install torch-directml

运行

# GNN 实验（默认 kdn = 13~18，runNum = 100，结果写入 result/experimentGNN.csv）
python mainGNN.py

# ML 实验（决策树/随机森林/AdaBoost，结果写入 result/experiment.csv）
python main.py
python main2.py

# 测试 / 调参入口
python test.py

配置

编辑 TAWFST.ini：

[INIT]
DeviceListName = popularDeviceList.npy   # 设备总列表
DeviceNumber = 20                        # 选取设备数量
RulesNumber = 50                         # 选取规则数量
KnownDevicesNumber = 20                  # 攻击方已知设备数（最少 3）
DatasetLength = 10000                    # 数据集长度
MLRuleNum = 2                            # ML 规则数量
modelNum = 4                             # ML 模型数量
userNum = 15                             # GNN 模拟用户数量
secretRuleNum = 10                       # 隐私规则数量

[ATTACK]
topK = 0.1                               # Top-K 边筛选比例
runNum = 100                             # 实验重复次数
maxDepth = 3                             # DFS 路径最大深度
topkPath = 5                             # 恢复规则路径的最大数量
ATWeight = 10000                         # 触发-动作硬连接权重
defaultWeight = 1                        # 规则默认权重
recoverNum = 2                           # ML 恢复数据集倍率
mslrate = 10                             # ML 恢复规则数量

硬件加速

框架通过 utils.get_device() 自动检测并使用最佳可用计算设备：

优先级: CUDA (NVIDIA) → MPS (Apple Silicon) → DirectML (AMD/Intel) → CPU

平台	GPU 厂商	自动使用的加速方式
Windows / Linux	NVIDIA	CUDA
macOS	Apple Silicon	MPS
Windows	AMD / Intel	DirectML（需安装 torch-directml）
所有	无 GPU	CPU

项目结构

IOTWFST/
├── mainGNN.py               # GNN 攻击实验主入口
├── main.py / main2.py       # ML 攻击实验入口（main2 使用 MLV2 变体）
├── test.py                  # 测试 / 调参入口
├── TAWFST.ini               # 主配置文件
├── requirements*.txt        # 平台环境依赖文件
│
├── Init.py                  # 环境初始化（设备 / 规则 / 已知设备划分）
├── AttackRule.py            # WFST 攻击规则推断（加权边图 + DFS 路径搜索）
├── RuleDatasetGenerator.py  # 规则数据集生成（含级联规则 / 隐私规则）
├── EventAttack.py           # 事件攻击推断
│
├── GNNDataset.py            # GNN 数据集构建（CSV → DGL 图 / PyG 数据集）
├── data_preprocess.py       # 图数据预处理（one-hot 编码、边特征、图构建）
├── data_splitter.py         # 训练 / 测试划分与正负样本采样
├── TAGNN.py                 # GNN 集中式训练主流程
├── model.py                 # GNN 模型定义（GraphSAGE / GCN / GAT + 链接预测器）
├── GNNTraining.py           # GNN 训练占位接口（实际训练在 TAGNN.py）
├── output_result.py         # GNN 推理输出（Top-K 规则推荐）
│
├── MLDatasetGenerator.py    # ML 数据集生成
├── MLTraining.py            # ML 模型训练（DT / RF / AdaBoost）
├── MLAttackStates.py        # ML 攻击状态推断（未知设备状态推测）
├── MLDatasetAttack.py       # ML 攻击数据集构建
│
├── utils.py                 # 工具函数（get_device / loss / AUC / MR）
├── allClass.py              # 基础类定义（Device / Trigger / Action / Event / Edge）
│
├── Applets/                 # TAP 平台规则原始数据（CSV）
├── TA/                      # 设备 Trigger / Action / State 定义
├── TA_ALL/  TA_Popular/     # 全量 / 热门设备数据集
├── tools/                   # 辅助工具脚本
│
├── Environment/             # 运行时生成：实验环境数据（gitignored）
├── Attack/                  # 运行时生成：攻击图 / 权重数据（gitignored）
├── Model/                   # 运行时生成：训练模型（gitignored）
├── result/                  # 实验结果 CSV
└── log/                     # 运行日志（gitignored）

输出结果

GNN 实验运行后写入 result/experimentGNN.csv（示例）：

kdn	recall	precision	GNN Recall	GNN Precision
13	58.38%	79.76%	50.90%	9.98%
14	57.68%	83.42%	56.20%	11.02%
15	55.32%	86.80%	63.30%	12.41%
16	57.54%	87.24%	68.10%	13.35%

• kdn：攻击方已知设备数量；
• recall / precision：WFST 攻击规则推断的召回率与精确率；
• GNN Recall / GNN Precision：GNN 链接预测（Top-K 规则推荐）的召回率与精确率。

ML 实验写入 result/experiment.csv，包含 DT / RF / AdaBoost 等模型的训练得分（score）、攻击得分（score_A）与状态攻击得分。

跨平台同步

通过 Git 同步到不同设备后，只需安装对应环境文件：

macOS:           pip install -r requirements_macos.txt
Windows + NVIDIA: pip install -r requirements_windows.txt
Windows + AMD:   pip install -r requirements_windows.txt && pip install torch-directml

代码会自动检测平台并使用最佳硬件加速方式。

免责声明

本项目仅用于学术研究与安全评估，目的在于揭示智能家居 Trigger-Action 平台中的隐私泄露风险，帮助平台与用户改进安全设计。请勿将其用于任何未经授权的场景。

License

暂未指定开源许可证。如有需要请与作者联系。