SETTI：一种物联网环境下自监督对抗恶意软件检测架构
密码学与安全
2022-04-19 v1 机器学习
摘要
近年来，恶意软件检测已成为物联网（IoT）安全领域的活跃研究课题。其原理是利用大量持续生成的恶意软件中的知识。现有算法利用物联网设备可用的恶意软件特征，缺乏实时预测行为。因此，需要更多关于恶意软件检测的研究以应对输入物联网数据的实时误分类。受此启发，本文提出一种用于物联网网络中检测恶意软件的自监督对抗架构SETTI，考虑可能未标记的物联网网络流量样本。在SETTI架构中，我们设计了三种自监督攻击技术，即Self-MDS、GSelf-MDS和ASelf-MDS。Self-MDS方法考虑物联网输入数据和实时对抗样本生成。GSelf-MDS构建生成对抗网络模型以在自监督结构中生成对抗样本。最后，ASelf-MDS利用三种著名的扰动样本技术来开发对抗恶意软件并将其注入自监督架构。此外，我们应用一种防御方法缓解这些攻击，即对抗自监督训练，以保护恶意软件检测架构免受恶意样本注入。为验证攻击与防御算法，我们在两个近期物联网数据集IoT23和NBIoT上进行了实验。结果对比显示，在IoT23数据集中，从攻击者视角看Self-MDS方法造成最具破坏性的后果，将准确率从98%降至74%；在NBIoT数据集中，ASelf-MDS方法是最具毁灭性的算法，可将准确率从98%降至77%。
引用
@article{arxiv.2204.07772,
title = {SETTI: A Self-supervised Adversarial Malware Detection Architecture in an IoT Environment},
author = {Marjan Golmaryami and Rahim Taheri and Zahra Pooranian and Mohammad Shojafar and Pei Xiao},
journal= {arXiv preprint arXiv:2204.07772},
year = {2022}
}
备注
20 pages, 6 figures, 2 Tables, Submitted to ACM Transactions on Multimedia Computing, Communications, and Applications