基于流感知机器学习方法预测物联网应用中的敏感信息泄露
密码学与安全
2022-01-11 v1 软件工程
摘要
本文提出一种识别脆弱 IoT 应用的方法。该方法聚焦于一类可导致敏感信息泄露的漏洞,此类漏洞可通过污点流分析识别。污点流漏洞深受程序结构与代码中语句顺序影响,设计检测此类漏洞的方法需考量此类信息以给出精确结果。本文提出并开发 FlowsMiner,从代码中对程序结构(如控制语句与方法)及程序语句顺序相关特征进行挖掘。FlowsMiner 以污点流形式生成特征。我们开发了 Flows2Vec 工具,将 FlowsMiner 提取的特征转为向量,进而通过提供流感知的模型构建过程辅助机器学习。所得模型能在漏洞由源代码语句顺序变化引发时准确分类应用为脆弱。与基线词袋(BoW)方法相比,实验表明所提方法提升了所有算法的预测模型 AUC:Corpus1 数据集最佳情形从 0.91 升至 0.94,Corpus2 从 0.56 升至 0.96。
引用
@article{arxiv.2201.02677,
title = {Predicting sensitive information leakage in IoT applications using flows-aware machine learning approach},
author = {Hajra Naeem and Manar H. Alalfi},
journal= {arXiv preprint arXiv:2201.02677},
year = {2022}
}