D"IoT：一种面向物联网的联邦自学习异常检测系统
密码学与安全
2019-05-13 v5
摘要
物联网设备正日益部署于日常生活中。然而，由于不安全的设计、实现与配置，其中许多设备易受攻击。结果，许多网络已存在易于被攻陷的易受攻击物联网设备。这导致了一类专门 targeting 物联网设备的新恶意软件。然而，鉴于问题规模庞大（涉及大量不同类型的设备和制造商），现有入侵检测技术在检测被攻陷的物联网设备方面效果不佳。在本文中，我们提出 D"IoT，一种用于有效检测被攻陷物联网设备的自主自学习分布式系统。与先前工作不同，D"IoT 使用一种新颖的自学习方法将设备分类为设备类型，并为每种类型建立正常通信轮廓，随后可用于检测通信模式中的异常偏差。D"IoT 利用联邦学习方法来高效聚合行为轮廓。据我们所知，它是首个将联邦学习方法用于基于异常检测的入侵检测的系统。因此，D"IoT 能够应对新出现的和未知攻击。我们对 30 余款现成物联网设备进行了系统而广泛的长期评估，表明 D"IoT 在检测被臭名昭著的 Mirai 恶意软件等攻陷的设备时高效（95.6% 检测率）且快速（约 257 ms）。D"IoT 在真实世界智能家居部署环境中评估时未报告误报。
引用
@article{arxiv.1804.07474,
title = {D\"IoT: A Federated Self-learning Anomaly Detection System for IoT},
author = {Thien Duc Nguyen and Samuel Marchal and Markus Miettinen and Hossein Fereidooni and N. Asokan and Ahmad-Reza Sadeghi},
journal= {arXiv preprint arXiv:1804.07474},
year = {2019}
}
备注
Accepted version of paper to appear at ICDCS 2019, Dallas, TX, USA, July 2019