SHARKS：基于机器学习的物联网与信息物理系统风险扫描智能黑客方法

信息物理系统（CPS）与物联网（IoT）设备正日益部署于多种功能中，从医疗设备和可穿戴设备到关键基础设施，例如核电站、自动驾驶汽车、智能城市和智能家居。这些设备在其完整的软件、硬件和网络协议栈上天生不安全，因而呈现出可被黑客利用的巨大攻击面。在本文中，我们提出一种创新技术，用于检测未知系统漏洞、管理这些漏洞，并在此类漏洞被利用时改善事件响应。该方法的新颖性在于从已知的真实世界 CPS/IoT 攻击中提取情报，以正则表达式形式表示，并对这一正则表达式集合采用机器学习（ML）技术以生成新的攻击向量和安全漏洞。我们的结果表明，可成功生成 10 个新攻击向量和 122 个新漏洞利用，它们有可能 exploited 一个 CPS 或 IoT 生态系统。该 ML 方法达到了 97.4% 的准确率，并使我们能够以 87.2% 的搜索空间缩减高效预测这些攻击。我们展示了将该方法应用于联网汽车车载网络黑客攻击的实例。为防御已知攻击和可能的新利用，我们讨论了针对各类攻击的纵深防御机制以及此类攻击所针对数据的分类。该防御机制基于受保护资源的敏感性优化安全措施成本，从而激励网络安全从业者在真实世界 CPS/IoT 中采用。