针对基于机器学习与硬件的物联网设备指纹识别与认证的对抗攻击与防御
密码学与安全
2023-01-02 v1 人工智能
摘要
近年来，部署的物联网设备数量无疑呈爆发式增长，已达数十亿规模。然而，伴随这一发展也出现了若干新的网络安全问题。其中部分问题包括未授权设备部署、恶意代码篡改、恶意软件部署或漏洞利用。这一事实催生了对基于行为监测的新设备识别机制的需求。此外，由于该领域的进展与处理能力的提升，这些解决方案近来利用了机器与深度学习技术。相反，攻击者并未停滞，已开发出聚焦于上下文修改与 ML/DL 评估规避的对抗攻击，应用于物联网设备识别解决方案。本工作探究了基于硬件行为的个体设备识别的性能、其如何受可能的上下文与 ML/DL 定向攻击影响，以及如何利用防御技术提升其韧性。就此而言，它提出了一种基于硬件性能行为的 LSTM-CNN 架构用于个体设备识别。随后，使用从 45 台运行相同软件的 Raspberry Pi 设备收集的硬件性能数据集，将先前技术与所提架构进行比较。LSTM-CNN 改进了先前的解决方案，对所有设备实现了 0.96 的平均 F1-Score 与 0.8 的最小 TPR。之后，对前述模型施加上下文与 ML/DL 定向对抗攻击以测试其鲁棒性。基于温度的上下文攻击未能破坏识别。然而，部分 ML/DL 最先进的规避攻击成功了。最后，选用对抗训练与模型蒸馏防御技术提升模型对规避攻击的韧性，且不降低其性能。
引用
@article{arxiv.2212.14677,
title = {Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification},
author = {Pedro Miguel Sánchez Sánchez and Alberto Huertas Celdrán and Gérôme Bovet and Gregorio Martínez Pérez},
journal= {arXiv preprint arXiv:2212.14677},
year = {2023}
}