面向AIoT设备的轻量级恶意软件检测模型优化

恶意软件入侵对于物联网（IoT）和人工智能物联网（AIoT）设备来说是个问题，因为它们通常处于互联设备生态系统（如智能家居）中。如果任何设备被感染，整个生态系统都可能受到损害。尽管部署了各种机器学习（ML）模型来检测恶意软件和网络入侵，但一般来说，稳健的高精度模型往往需要并非所有IoT设备都具备的资源，而弱学习器定义的较不稳健模型则相反。为了解决这个问题，Fadhilla提出了一种元学习器集成模型，该模型由弱学习器ML模型固有的较不稳健预测结果组成，以产生高度稳健的元学习集成模型。先前研究的主要问题在于，由于处理能力、存储和内存等资源有限（所需库很快耗尽低端AIoT设备的资源），它无法部署在低端AIoT设备中。因此，本研究旨在优化所提出的超级学习器元学习集成模型，使其适用于低端AIoT设备。我们展示了每个优化阶段相关的库和ML模型内存需求，并强调当前ML模型的优化对于低端AIoT设备是必要的。我们的结果表明，我们可以从运行派生ML模型的高端AIoT设备获得相似的准确率和假阳性率（FPR）指标，同时具有更低的推理时间和更小的内存占用。