IoT 恶意软件攻击的树状检测方法
密码学与安全
2025-06-10 v1 人工智能
网络与互联网体系结构
摘要
如今，物联网（IoT）正在广泛应用，并且其使用正在指数级增长，因为它便于远程监控、预测性维护和数据驱动决策，尤其在医疗保健和工业领域。然而，IoT 设备因资源受限且难以应用安全补丁而仍然脆弱。因此，每天都有各种网络安全攻击被报告，例如针对IoT解决方案的拒绝服务（DoS）攻击。大多数攻击检测方法基于机器学习（ML）技术，这些技术可以检测攻击模式。然而，关注点更多是识别，而不是考虑ML算法对计算资源的影响。本文提出一种绿色方法，用于基于流量隐私保留统计特征识别IoT恶意软件网络攻击。具体而言，优化了三种基于树的模型——决策树、随机森林和额外树 —— 的超参数，这些模型基于能源消耗和以马太相关系数衡量的测试时性能进行优化。我们的结果表明，这些模型在保持高性能和检测准确性的同时，持续减少以瓦时（Wh）计的功耗。这表明面向IoT和其他资源受限设备的本地机器学习-based 入侵检测系统是合适的。
引用
@article{arxiv.2506.07836,
title = {Are Trees Really Green? A Detection Approach of IoT Malware Attacks},
author = {Silvia Lucia Sanna and Diego Soi and Davide Maiorca and Giorgio Giacinto},
journal= {arXiv preprint arXiv:2506.07836},
year = {2025}
}