CADeSH：面向智能家居的协作式异常检测
机器学习
2023-03-03 v1
摘要
尽管家用IoT(物联网)设备通常功能简单且面向任务，但其日常使用的上下文可能影响其流量模式。因此，基于异常的入侵检测系统往往遭受高误报率(FPR)的困扰。为克服此问题，我们提出一种两步协作式异常检测方法，首先使用自编码器区分频繁(`良性')与不频繁(可能为`恶意')流量流。随后使用聚类仅分析不频繁流，并将其分类为已知(`罕见但良性')或未知(`恶意')。我们的方法是协作式的，在于(1)正常行为被更鲁棒地刻画，因其考虑了多种用户交互与网络拓扑；(2)若干特征基于一组相同设备而非仅被检测设备计算。我们基于21天真实世界流量数据对方法进行了实证评估，数据来自部署于不同网络的八个相同IoT设备，其中之一位于我们的受控实验室，我们在其中实施了两种流行的IoT相关网络攻击。我们的协作式异常检测方法取得了宏平均精确率-召回率曲线下面积0.841、F1分数0.929以及仅0.014的FPR。这些有前景的结果通过将来自实验室的带标签流量数据作为测试集、而在实验室外部署的设备流量上训练模型获得，从而展示了高度的泛化能力。除高泛化性与良好性能外，我们所提方法还带来隐私保护、资源节省与模型投毒缓解等益处。此外，作为对科学界的贡献，我们的新颖数据集已在线公开。
引用
@article{arxiv.2303.01021,
title = {CADeSH: Collaborative Anomaly Detection for Smart Homes},
author = {Yair Meidan and Dan Avraham and Hanan Libhaber and Asaf Shabtai},
journal= {arXiv preprint arXiv:2303.01021},
year = {2023}
}
备注
in IEEE Internet of Things Journal, 2022