基于机器学习技术的未授权物联网设备检测
密码学与安全
2017-09-15 v1 计算机视觉与模式识别
摘要
安全专家已证明物联网（IoT）设备给组织带来的众多风险。由于此类设备的广泛采用、多样性、标准化障碍以及固有的移动性，组织需要一种能够自动检测连接到其网络的可疑物联网设备的智能机制。特别是，应检测出未包含在可信物联网设备类型白名单（允许在组织场所内使用）中的设备。在本研究中，应用监督式机器学习算法随机森林（Random Forest）于从网络流量数据中提取的特征，旨在准确识别白名单中的物联网设备类型。为训练和评估多类分类器，我们收集并手动标注了来自17种不同物联网设备（代表九种物联网设备类型）的网络流量数据。基于20个连续会话的分类并使用多数表决规则，不在白名单上的物联网设备类型在96%的测试用例（平均）中被正确检测为未知，而白名单设备类型在99%的案例中通过其实际类型被正确分类。某些物联网设备类型比其他类型识别更快（例如，插座和恒温器在连接到网络后的五个TCP会话内被成功检测）。在分析110个连续会话时实现了对未授权物联网设备类型的完美检测；白名单类型的完美分类需要346个连续会话，其中110个会话达到了99.49%的准确率。进一步的实验证明了在一个地点训练并在另一地点测试的分类器的成功适用性。此外，还讨论了我们的基于机器学习的物联网白名单方法对对抗性攻击的鲁棒性。
引用
@article{arxiv.1709.04647,
title = {Detection of Unauthorized IoT Devices Using Machine Learning Techniques},
author = {Yair Meidan and Michael Bohadana and Asaf Shabtai and Martin Ochoa and Nils Ole Tippenhauer and Juan Davis Guarnizo and Yuval Elovici},
journal= {arXiv preprint arXiv:1709.04647},
year = {2017}
}