基于机器学习的可重构嵌入式系统中恶意负载的实时防御
密码学与安全
2025-09-03 v1 人工智能
摘要
FPGA 在可重构系统中的广泛应用引入了通过恶意比特流导致的安全风险，可能引发拒绝服务（DoS）、数据泄露或隐蔽攻击。我们针对嵌入式系统中的芯片级硬件恶意负载进行调查，并提出一种基于监督机器学习的方法，通过静态字节级特征检测恶意比特流。我们的做法与现有方法不同，直接在二进制层面分析比特流，从而实现实时检测，无需访问源代码或网表。比特流来自最先进（SOTA）基准并重新工程化以针对 Xilinx PYNQ-Z1 FPGA 开发板。我们的数据集包含 122 个良好和恶意配置的样本。数据采用字节频率分析进行向量化处理，使用 TSVD 压缩，并通过 SMOTE 解决类别不平衡问题。评估的分类器显示，随机森林实现了宏平均 F1 分数为 0.97，凸显了在资源受限系统上实现实时木马检测的可行性。最终模型被序列化并成功部署在 PYNQ 上，以实现集成比特流分析。
关键词
引用
@article{arxiv.2509.02387,
title = {Real-time ML-based Defense Against Malicious Payload in Reconfigurable Embedded Systems},
author = {Rye Stahle-Smith and Rasha Karakchi},
journal= {arXiv preprint arXiv:2509.02387},
year = {2025}
}
备注
This paper is submitted at Supercomputing (SC'25)