EDIMA：基于机器学习技术早期检测物联网恶意软件网络活动
密码学与安全
2019-06-25 v1 网络与互联网体系结构
摘要
物联网的广泛采用引发了诸多安全问题。在2016年基于Mirai的DDoS攻击攻陷物联网设备之后，大量利用Mirai泄露源代码并针对物联网设备的新恶意软件涌现，例如Satori、Reaper、Amnesia、Masuta等。这些恶意软件利用软件漏洞感染物联网设备，而非像Mirai那样利用开放TELNET端口，使得使用防火墙等现有方案更难阻断。在本研究中，我们提出EDIMA，一种分布式模块化解决方案，可用于在扫描/感染阶段而非攻击阶段检测大规模网络（如ISP、企业网络）中的物联网恶意软件网络活动。EDIMA采用机器学习算法进行边缘设备流量分类、一个包流量特征向量数据库、一个策略模块以及一个可选的包子采样模块。我们通过测试床实验评估EDIMA的分类性能并给出所得结果。
引用
@article{arxiv.1906.09715,
title = {EDIMA: Early Detection of IoT Malware Network Activity Using Machine Learning Techniques},
author = {Ayush Kumar and Teng Joon Lim},
journal= {arXiv preprint arXiv:1906.09715},
year = {2019}
}