基于有限网络踪迹的物联网网络行为指纹推断用于网络调查：一种元学习方法
密码学与安全
2020-02-11 v2 机器学习
摘要
物联网（IoT）设备的开发与采用在未来几年将显著增长，以支撑工业 4.0。多种形态的 IoT 设备将被开发并跨行业垂直领域使用。然而，该技术采纳的热潮被紧随其增长轨迹的网络威胁的严峻存在所笼罩。网络威胁要么嵌入其恶意代码，要么攻击 IoT 中的漏洞，从而可能在网络与物理领域引发重大后果。为管控此类破坏性影响，事件响应者与网络调查人员需要具备发现这些恶意 IoT 并迅速遏制它们的能力。此类在线设备可能仅留下网络活动踪迹。收集相关踪迹可用于推断 IoT 的网络行为指纹，进而有助于调查性地发现这些 IoT。然而，挑战在于当网络活动踪迹有限时如何推断这些指纹。本研究提出了一种新颖的模型构造，利用称为 DeepNetPrint 的单卡时间序列元学习器，基于有限的网络活动踪迹学习推断特定 IoT 的网络行为指纹。我们的研究还展示了 DeepNetPrint 在识别 IoT 设备方面的应用，其表现优于领先的监督学习模型。我们的解决方案将使网络调查人员能够识别感兴趣的特定 IoT，同时克服仅拥有该 IoT 有限网络踪迹的约束。
引用
@article{arxiv.2001.04705,
title = {IoT Network Behavioral Fingerprint Inference with Limited Network Trace for Cyber Investigation: A Meta Learning Approach},
author = {Jonathan Pan},
journal= {arXiv preprint arXiv:2001.04705},
year = {2020}
}
备注
7 pages, 5 figures