通过自适应模型并行与资源优化增强物联网恶意软件检测
密码学与安全
2024-04-16 v1 分布式、并行与集群计算
摘要
物联网设备的广泛集成极大地改善了连接性和计算能力，促进了网络间的无缝通信。尽管已在全球范围内部署，物联网设备因其固有的脆弱性而频繁成为安全漏洞的攻击目标。在这些威胁中，恶意软件对物联网设备构成了重大风险。缺乏内置安全功能和有限的资源给在物联网设备上实施有效的恶意软件检测技术带来了挑战。此外，现有方法假设可以访问所有设备资源进行恶意软件检测，这对于部署在关键现实场景中的物联网设备通常不可行。为克服这一挑战，本研究引入了一种专为物联网设备定制的恶意软件检测新方法，利用受模型并行启发的资源和负载感知。首先，设备使用轻量级回归模型评估用于恶意软件检测的可用资源。基于资源可用性、当前负载和通信成本，恶意软件检测任务被动态地分配在设备上执行或卸载到具有足够资源的邻近物联网节点。为维护数据完整性和用户隐私，分类器被分割并分布到多个节点上，然后在父节点进行集成以进行检测，而不是传输整个恶意软件检测任务。实验结果表明，与在设备上推理相比，所提出的技术实现了9.8倍的显著加速，同时保持了96.7%的高恶意软件检测准确率。
引用
@article{arxiv.2404.08808,
title = {Enhancing IoT Malware Detection through Adaptive Model Parallelism and Resource Optimization},
author = {Sreenitha Kasarapu and Sanket Shukla and Sai Manoj Pudukotai Dinakarrao},
journal= {arXiv preprint arXiv:2404.08808},
year = {2024}
}