基于机器学习的物联网设备恶意软件检测：利用控制流数据
人工智能
2023-11-21 v1 密码学与安全
摘要
嵌入式设备是为一种或仅少数几种用途设计的专用设备。它们通常通过有线或无线连接成为更大系统的一部分。那些通过互联网连接到其他计算机或嵌入式系统的嵌入式设备被称为物联网（简称 IoT）设备。随着其广泛使用和防护不足，这些设备日益成为恶意软件攻击的目标。公司在制造这些设备时常常偷工减料以节省成本或错误配置，这可能表现为缺乏软件更新、端口敞开或设计上的安全缺陷。尽管这些设备可能不如普通计算机强大，但其数量庞大使之成为僵尸网络的合适候选。其他类型的 IoT 设备甚至可能引发健康问题，因为连心脏起搏器都已接入互联网。这意味着若无充分防御，甚至可能对人发起定向攻击。本毕业论文的目标是利用机器学习算法和逆向工程工具为这些设备提供更好安全性。具体而言，我研究了可执行文件的控制流相关数据在恶意软件检测中的适用性。我提出了一种两阶段恶意软件检测方法。第一阶段使用静态二进制分析提取控制流相关数据。第二阶段使用神经网络模型将二进制可执行文件分类为恶意或良性。我使用包含恶意和良性 ARM 应用程序的数据集训练该模型。
引用
@article{arxiv.2311.11605,
title = {Machine learning-based malware detection for IoT devices using control-flow data},
author = {Gergely Hevesi},
journal= {arXiv preprint arXiv:2311.11605},
year = {2023}
}