面向资源受限设备的实时威胁检测策略
密码学与安全
2024-03-25 v1
摘要
随着越来越多的设备连接到互联网，解决其局限性和基本安全需求变得至关重要。尽管大量研究专注于利用机器学习（ML）和深度学习（DL）来应对安全挑战，但往往存在一种倾向，即忽视在实时环境中实现这些方法的实用性和可行性。这种疏忽源于某些设备（物联网设备）有限的处理能力和内存，以及对这些方法泛化性的担忧。我们以路由器中DNS隧道攻击的检测为案例研究，提出了一个端到端流程，旨在有效应对这些挑战。该流程涵盖从开发轻量级DNS隧道检测模型到将其集成到资源受限设备中进行实时检测的全过程。通过实验，我们证明利用无状态特征训练ML模型，以及选择独立于网络配置的特征，能够带来高精度的结果。将这一经过精心设计、针对不同环境下的嵌入式设备进行优化的模型进行部署，实现了高DNS隧道攻击检测率且延迟极低。通过这项工作，我们旨在鼓励在设备安全不断演变的格局中，寻求在理论进步与ML方法实际适用性之间取得平衡的解决方案。
引用
@article{arxiv.2403.15078,
title = {Real-time Threat Detection Strategies for Resource-constrained Devices},
author = {Mounia Hamidouche and Biniam Fisseha Demissie and Bilel Cherif},
journal= {arXiv preprint arXiv:2403.15078},
year = {2024}
}