利用无特征工程的机器学习在 IoT 设备中实现高效攻击检测
密码学与安全
2023-01-10 v1 人工智能
机器学习
摘要
借助深度学习的普及，研究界已应对网络安全领域的关键挑战，如恶意软件识别与异常检测。然而，关于将其部署于物联网（IoT）设备日常运行中的讨论尚不充分。IoT 设备通常内存与算力有限，致使计算密集型的深度学习环境无法使用。本研究提出一种克服该障碍的途径：在深度学习流水线中绕过特征工程，以原始数据包数据作为输入。我们引入一种无特征工程的机器学习（ML）流程，在 IoT 设备上执行恶意软件检测。所提模型“无特征工程-ML（FEL-ML）”是一种更轻量的检测算法，不在“工程化”特征上额外耗费计算。它有效加速了低功耗 IoT 边缘设备，并在未处理的字节流数据包上训练。除提供更好结果外，它比传统基于特征的方法更快。FEL-ML 以消除领域专家在特征工程上的重大投入为附加优势，助力资源敏感的网络流量安全。
引用
@article{arxiv.2301.03532,
title = {Efficient Attack Detection in IoT Devices using Feature Engineering-Less Machine Learning},
author = {Arshiya Khan and Chase Cotton},
journal= {arXiv preprint arXiv:2301.03532},
year = {2023}
}