基于在线不确定性估计提升硬件恶意软件检测器可信度
密码学与安全
2021-03-23 v1 机器学习
摘要
使用机器学习 (ML) 模型的基于硬件的恶意软件检测器 (HMD) 在检测恶意工作负载方面已显示出前景。然而，这些 HMD 中使用的常规黑盒机器学习 (ML) 方法无法处理不确定性预测，包括针对零日恶意软件的预测。HMD 中使用的 ML 模型对不确定性不可知，而该不确定性决定了模型是否“知道它所知道的”，严重削弱了其可信度。我们提出一种基于集成的方法，用于量化 HMD 的 ML 模型在遇到与训练所用不同的未知工作负载时预测的不确定性。我们在文献中提出的两种不同 HMD 上测试了我们的方法。我们表明，所提不确定性估计器可检测基于功耗管理的 HMD 中 >90% 的未知工作负载，并得出结论：重叠的良性与恶意类别削弱了基于性能计数器的 HMD 的可信度。
引用
@article{arxiv.2103.11519,
title = {Towards Improving the Trustworthiness of Hardware based Malware Detector using Online Uncertainty Estimation},
author = {Harshit Kumar and Nikhil Chawla and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2103.11519},
year = {2021}
}