pAElla：基于边缘AI的数据中心实时恶意软件检测
机器学习
2020-04-09 v1 密码学与安全
信号处理
机器学习
摘要
物联网（IoT）设备用于监测广泛应用的使用日益增多，加之其数据分析常需支持的“大数据”流挑战，正推动人们日益关注新兴的边缘计算范式。特别是，直接在网络边缘管理和分析数据的智能方法正得到越来越多研究，而人工智能（AI）赋能的边缘计算被展望为一条有前景的方向。本文聚焦数据中心（DCs）与超级计算机（SCs），其中新一代高分辨率监测系统正在部署，为异常检测与安全等分析带来新机遇，但也引入了处理其所产生海量数据的新挑战。具体而言，我们报告了一种轻量且可扩展的新方法来提升DCs/SCs的安全性，该方法涉及基于高分辨率功耗的AI赋能边缘计算。该方法——称为pAElla——面向实时恶意软件检测（MD），运行于DCs/SCs的带外基于IoT的监测系统上，并涉及功耗测量的功率谱密度与AutoEncoders（自编码器）。结果令人鼓舞，F1-score接近1，误报与恶意软件漏报率接近0%。我们将该方法与最先进MD技术比较，并表明在DCs/SCs场景下，pAElla可覆盖更广的恶意软件范围，在准确率上显著优于SoA（State-of-the-Art）方法。此外，我们提出了适用于生产环境DCs/SCs的在线训练方法，并发布了开放数据集与代码。
引用
@article{arxiv.2004.03670,
title = {pAElla: Edge-AI based Real-Time Malware Detection in Data Centers},
author = {Antonio Libri and Andrea Bartolini and Luca Benini},
journal= {arXiv preprint arXiv:2004.03670},
year = {2020}
}