基于强化学习与指纹识别的物联网零日攻击移动目标防御机制选择
密码学与安全
2024-06-05 v1 人工智能
摘要
网络犯罪分子正转向影响单板计算机（SBC）等资源受限设备的零日攻击。鉴于完美安全并不现实，移动目标防御（MTD）通过动态改变目标攻击面来缓解攻击，是一种有前景的方法。然而，为零日攻击选择合适的 MTD 技术仍是一项开放挑战。强化学习（RL）可通过试错优化 MTD 选择，但现有文献在以下方面存在不足：i) 在真实场景中评估 RL 与 MTD 方案的性能，ii) 研究行为指纹识别是否适用于表示 SBC 的状态，以及 iii) 计算 SBC 中的资源消耗。为改进这些局限，本文提出一种基于在线 RL 的框架，以学习可缓解 SBC 中异构零日攻击的正确 MTD 机制。该框架采用行为指纹识别表示 SBC 状态，并利用 RL 学习可缓解各恶意状态的 MTD 技术。其已部署于真实物联网众感场景中，以 Raspberry Pi 作为频谱传感器。更具体地，该 Raspberry Pi 被注入命令与控制恶意软件、rootkit 和勒索软件的不同样本，随后在四种现有 MTD 技术间进行选择。一组实验证明了该框架学习恰当 MTD 技术以缓解所有攻击（除一种有害 rootkit 外）的适用性，同时存储消耗 <1 MB，CPU 使用率 <55%，RAM 使用率 <80%。
引用
@article{arxiv.2212.14647,
title = {RL and Fingerprinting to Select Moving Target Defense Mechanisms for Zero-day Attacks in IoT},
author = {Alberto Huertas Celdrán and Pedro Miguel Sánchez Sánchez and Jan von der Assen and Timo Schenk and Gérôme Bovet and Gregorio Martínez Pérez and Burkhard Stiller},
journal= {arXiv preprint arXiv:2212.14647},
year = {2024}
}