基于时间序列分类检测 IoT 事件欺骗攻击
密码学与安全
2024-07-30 v1
摘要
随着物联网（IoT）设备的普及，它们能够直接与现实世界互动。家庭自动化系统正是利用这些互动实现自动化。IoT 事件对这些系统的决策至关重要，但往往不可靠。安全漏洞允许攻击者冒充事件。利用统计机器学习方法，已用于从部署在现场的传感器中提取 IoT 事件指纹，以检测伪造事件。然而，来自这些传感器的多变量时序数据具有结构性和时序特性，统计机器学习难以学习。此类方案的准确性取决于知识库的规模，规模越大，越准确。然而，缺乏足够样本的大规模数据集是 IoT 新兴领域的瓶颈。本文我们采用先进的机器学习方法检测事件欺骗攻击。传感器数据的时序特性使我们能够以更少的事件发现重要模式。我们对公开的真实世界数据集进行严格的调查表明，所提出的时间序列方法能更快地从传感器数据中学习时序特征，即使训练样本量为 100 或 500 倍，仍优于早期工作，因而具有现实意义。
引用
@article{arxiv.2407.19662,
title = {Towards Detecting IoT Event Spoofing Attacks Using Time-Series Classification},
author = {Uzma Maroof and Gustavo Batista and Arash Shaghaghi and Sanjay Jha},
journal= {arXiv preprint arXiv:2407.19662},
year = {2024}
}
备注
Accepted - 49th IEEE Conference on Local Computer Networks (LCN)