近年来物联网技术的发展与应用正深刻地改变着人们的日常生活,并延伸到智能家居、智能城市、工业系统、互联健康产品等各个领域。与只服务于用户在线活动的传统的互联网服务相比,物联网设备可以在近距离内识别或直接与用户的物理活动(例如解锁门)进行交互。物联网的迅猛发展已经渗透到各行各业,智能家居就是一个突出的应用。在智能家居网络中,多个物联网设备协同工作,通过感知周围环境、解释人类命令和提供反馈,为各种用户活动提供便利。然而,与此同时,这种快速发展的技术也对用户的隐私问题造成了威胁,因为物联网设备和远程服务器之间以及物联网设备本身之间的网络数据包都有可能被窃听,从而泄露用户的隐私。本文的研究工作主要如下:研究用户的隐私信息是如何从智能家居网络生成的网络流量中泄露的。虽然以前的研究人员已经提出了在简单配置网络环境下进行物联网设备类型或用户行为推测的技术,但这些方法的有效性在复杂且现实的网络环境中是值得怀疑的,因为真实的网络环境下会采用网络地址端口转换(Network Address Port Translation,NAPT)技术。而在启用NAPT的环境下,手动选择的特征不再有明显的区别,因此使用经典的机器学习模型这样传统的方法进行流量分析效率要低得多。在目前深度学习发展的背景下,本课题研究将深度神经网络(Deep Neural Network,DNN)应用到网络流量分析和设备指纹识别中。为此,设计了三种DNN模型结构(CNN、LSTM和CNN-LSTM),并在NAPT,NAPT+VPN以及无线网络三种不同设置的网络环境下,分别使用三个不同的数据集对模型进行参数训练和性能评估。进而提出了一个流量分析系统HomeMole用于自动推断智能家居网络背后的物联网设备以及与之交互的用户活动。结果表明,在测试的每一种场景中,本课题的系统都能够准确地区分设备类型以及推断用户活动。因此,智能家居的隐私问题是值得关注的。相关个体,例如物联网及网络电器供应商,应该建立新的措施,以保障智能家居的用户隐私。