使用机器学习检测恶意威胁,利用时钟门硬件
Nuri Alperen Kose1, Razaq Jinad1, Amar Rasheed1
1Department of Computer Science, Sam Houston State University, Huntsville, TX 77340, USA.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了入侵检测系统 (IDS),用于打击针对ARM Cortex-M微控制器的时钟门恶意软件. K-Nearest分类器和物流回归IDS实现了高检测率,提高了嵌入式系统的安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 嵌入式系统工程 嵌入式系统工程
背景情况:
- 嵌入式系统在关键基础设施中至关重要,但缺乏固有的安全性,使他们容易受到网络攻击.
- 时钟控制恶意软件利用ARM Cortex-M微控制器中的硬件漏洞,破坏了系统的可靠性.
- 这种威胁需要嵌入式平台的先进安全解决方案.
研究的目的:
- 开发和评估专门用于检测时钟门恶意软件的入侵检测系统 (IDS).
- 评估各种机器学习算法的有效性,以识别和分类恶意软件变体.
- 为了提高基于ARM Cortex-M的嵌入式系统的安全性和可靠性.
主要方法:
- 实施和比较六种不同的IDS方法:K-最近分类器,随机森林,物流回归,决策树,天真湾和随机梯度下降.
- 使用正常运行和恶意软件攻击场景中的功耗数据对IDS进行培训和验证.
- 对各种时钟门恶意软件注入代码的检测准确度的分析.
主要成果:
- 开发的IDS在检测时钟门恶意软件方面表现出了显著的能力.
- 基于K-最近分类器和物流回归的IDS实现了特别高的检测率,达到0.99.
- 该研究证实了电力消耗分析在恶意软件检测方面的有效性.
结论:
- 拟议的入侵检测系统为ARM Cortex-M嵌入式系统中的时钟门恶意软件提供了强大的防御.
- 机器学习方法,特别是K-Nearest分类器和后勤回归,对于识别复杂的硬件级威胁是有效的.
- 实施这些IDS对于保护依赖嵌入式技术的关键基础设施至关重要.
