IoTMonitor: A Hidden Markov Model-based Security System to Identify Crucial Attack Nodes in Trigger-action IoT Platforms
随着物联网环境中智能操作平台的出现和快速发展,物联网设备之间的交互导致的安全漏洞变得越来越普遍。在一个设备上发生的事件触发另一个设备中的动作,这可能最终有助于在网络中创建事件链。攻击者利用链效应来危害物联网设备,并通过将恶意事件注入链中来远程触发感兴趣的操作。为了解决由攻击者动作场景引起的安全漏洞,现有的研究工作集中在基于设备上的物理指纹来验证设备的安全属性或验证某些事件的发生。我们提出了IoTMonitor,这是一种安全分析系统,它通过观察传感器收集的一系列物理证据来识别最高可能性的事件发生的底层链。我们使用Baum-Welch算法来估计转移和发射概率,并使用Viterbi算法来识别事件序列。然后,我们可以识别出攻击者动作序列中的关键节点,这些节点的妥协使攻击者能够达到他们的最终目标。在PEEVES数据集上的实验结果表明,该系统能够从观测数据中高精度地重建事件发生序列,并识别出攻击路径上的关键节点。
2022-02-09 cs.CR
VetIoT: On Vetting IoT Defenses Enforcing Policies at Runtime
Syracuse University(雪城大学);Stony Brook University(石溪大学)
针对运行时策略执行的物联网防御方案审查不足、评估非统一的问题,提出高度自动化统一评估平台VetIoT,通过自动化事件模拟与结果比较复现并评估四种方案,提升可重复性与比较分析能力。
2025-09-23 cs.CR
Proactive Defense Against Physical Denial of Service Attacks using Poisson Signaling Games
虽然物联网(IoT)有望改善能源效率,医疗保健和交通等领域,但它极易受到网络攻击。特别是,分布式拒绝服务(DDoS)攻击使服务器的带宽过载。但许多物联网设备构成了网络物理系统(CPS)的一部分。因此,它们可用于发起“物理”拒绝服务攻击(PDoS),其中物联网设备溢出CPS的“物理带宽”。在本文中,我们量化了恶意软件针对一组物联网设备进行PDoS攻击的基于人口的风险。为了模拟招聘的机器人,我们开发了一个“泊松信号游戏”,一个信号游戏与未知数量的接收器,有不同的能力来检测欺骗。然后,我们使用这个游戏的一个版本来分析两种机制(法律和经济),以阻止僵尸网络招聘。均衡结果表明:1)防御者可以约束僵尸网络活动,2)立法最低安全级别的效果有限,而激励主动防御可以任意减少僵尸网络活动。这项工作提供了一个定量的基础,主动的PDOS防御。
2017-10-16 cs.CR
Multi-Agent LLM Governance for Safe Two-Timescale Reinforcement Learning in SDN-IoT Defense
Polytechnique Montréal(蒙特利尔理工学院);Concordia University(康考迪亚大学)
提出两时间尺度SDN-IoT防御方案,快时间尺度使用PPO智能体进行控制器感知的缓解,慢时间尺度使用多智能体LLM治理引擎生成可审计的策略更新,在保证安全约束下提升防御性能。
2026-06-24 cs.CR
DAEDALUS: Defense Against Firmware ROP Exploits Using Stochastic Software Diversity
本研究提出基于软件多样性的DAEDALUS框架,扩展STOKE随机优化器以适配物联网固件,通过生成语法不同但语义等价的固件改写版本,成功中和ROP有效载荷,同时减轻单设备攻击影响并挫败跨多设备的大规模ROP攻击。
2024-01-29 cs.CR
Optimal Deployments of Defense Mechanisms for the Internet of Things
物联网(IoT)设备可以被攻击者利用作为切入点,在没有早期检测的情况下闯入物联网网络。很少有工作采取混合方法,以最佳方式结合不同的防御机制,以提高物联网对复杂攻击的安全性。在这项工作中,我们提出了一种新的方法来生成自适应欺骗技术的战略部署和预算约束下的物联网补丁管理解决方案。我们使用一个图形化的安全模型以及三个评估指标来衡量所提出的防御机制的有效性和效率。我们应用多目标遗传算法(GA)来计算防御机制的{ \em Pareto最优}部署,以最大化安全性和最小化部署成本。我们提出了一个案例研究,以显示所提出的方法的可行性,并为防御者提供各种方法来选择物联网防御机制的最佳部署。我们比较了遗传算法与穷举搜索算法(ESA)的运行时复杂性和性能的最优精度。我们的结果表明,GA在计算部署的良好分布方面比ESA更有效,与物联网设备的增加成比例。
2019-08-01 cs.CR cs.CY
A Survey on Ransomware: Evolution, Taxonomy, and Defense Solutions
近年来,勒索软件一直是针对最终用户、政府和商业组织的最臭名昭著的恶意软件之一。它已成为网络犯罪分子的一项非常有利可图的业务,收入达数百万美元,对组织构成非常严重的威胁,造成数十亿美元的财务损失。提出了许多研究来解决勒索软件威胁,包括涵盖勒索软件研究某些方面的调查。然而,在文献中没有研究可以提供关于目标平台多样性的勒索软件和勒索软件防御研究的完整图片。由于勒索软件已经在PC/工作站/台式机/笔记本电脑中流行,在移动设备中变得越来越普遍,最近已经袭击了物联网/CPS,并且可能很快在物联网/CPS领域进一步增长,因此了解勒索软件并分析目标平台的防御机制变得更加必要。为了填补这一空白,并激励进一步的研究,在本文中,我们提出了一个全面的调查勒索软件和勒索软件防御研究方面的PC/工作站,移动设备和物联网/CPS平台。具体而言,涵盖1990-2020年期间的137项研究,我们详细概述了勒索软件的演变,全面分析了勒索软件的关键构建模块,提出了著名勒索软件家族的分类,并提供了勒索软件防御研究的广泛概述(即,分析、检测和恢复)。此外,我们还为未来的勒索软件研究提供了一个广泛的开放问题列表。我们相信,这项调查将通过全面了解最先进的勒索软件研究来推动进一步的研究。
2022-02-24 cs.CR
Ruledger: Ensuring Execution Integrity in Trigger-Action IoT Platforms
本文提出基于账本与智能合约的 Ruledger 平台,通过验证用户、配置、设备事件和触发器信息保障触发-动作物联网规则执行完整性,并在 IFTTT 上验证其开销可接受。
2024-02-29 cs.CR
Cyberscurity Threats and Defense Mechanisms in IoT network
本文提出了一种新的五层物联网模型,利用人工智能、区块链和零信任架构等先进方法,应对物联网网络中的安全威胁,同时探讨量子计算和6G网络对未来研究的贡献。
2026-01-02 cs.CR cs.SY eess.SY
A Lightweight Moving Target Defense Framework for Multi-purpose Malware Affecting IoT Devices
University of Zurich(苏黎世大学);University of Murcia(穆尔西亚大学);armasuisse Science & Technology(瑞士联邦国防采购局科学与技术部)
针对IoT设备易受多用途恶意软件攻击且现有MTD方案不足的问题,提出四种改变设备网络、数据和运行时环境的MTD机制及轻量级IoT导向MTD框架,并在真实场景中验证了其效率和有效性。
2022-10-14 cs.CR cs.LG
Adaptive Traffic Camouflage: Causal and Resource-Aware Defense Against IoT Fingerprinting
University of Notre Dame(圣母大学);Microsoft Research(微软研究院)
针对物联网流量形态指纹识别,提出一种因果且资源感知的自适应流量伪装控制器,在预算约束下选择变换,显著降低指纹识别性能,同时控制带宽和延迟开销。
2026-09-24 cs.CR cs.NI
Distributed Backdoor Attacks on Federated Graph Learning and Certified Defenses
本文针对联邦图学习缺乏后门攻防研究的问题,提出了基于自适应子图触发器的隐蔽后门攻击,并设计了基于子图划分与多数投票集成的可验证防御,实验证明攻击成功率高且防御可完全缓解该攻击。
2024-07-12 cs.CR
Too Expensive to Attack: A Joint Defense Framework to Mitigate Distributed Attacks for the Internet of Things Grid
分布式拒绝服务(DDoS)攻击对企业和个人都是有害的,因为我们严重依赖互联网。由于利润可观,黑客青睐DDoS作为攻击服务器、计算机、物联网设备甚至整个互联网的网络安全武器。目前许多检测和缓解解决方案都集中在对抗DDoS的特定技术上,而攻击费用和跨防御者协作没有引起足够的重视。在这种情况下,我们重新审视DDoS攻击和防御的攻击成本和双方的人口,提出了一个联合防御框架,在互联网服务提供商(ISP),企业,个人和第三方组织的网格(物联网网格)中产生更高的攻击费用。同时,防御者的成本在战斗中不会增加太多。攻击费用的飙升阻碍了利润驱动的攻击者有效地发动进一步的攻击。定量评估和实验评估加强了我们的框架的有效性。
2021-04-01 cs.CR
SwarmSense-DNN: A Trustworthy and Decentralized Neural Framework for Proactive Anomaly Defense in Consumer IoT
Universiti Malaya(马来亚大学);Expedia Group(爱彼迎集团);King Faisal University(费萨尔国王大学);Northeastern University(东北大学);Northern Border University(北部边境大学);Benazir Bhutto Shaheed University Lyari(贝娜齐尔·布托沙希德莱阿里大学)
提出SwarmSense-DNN,一种结合群体智能与深度神经网络的去中心化框架,通过分层联邦学习与图注意力机制实现分布式IoT环境中的协同异常检测,在五个基准数据集上达到95.44%平均检测精度并降低67%通信开销。
2026-06-11 cs.CR cs.NI
Edge Learning for 6G-enabled Internet of Things: A Comprehensive Survey of Vulnerabilities, Datasets, and Defenses
本文综述了6G物联网中边缘学习面临的漏洞与防御,系统分类了八类攻击并比较了防御方法,为未来研究提供了全面参考。
2024-02-08 cs.CR
Federated Learning based on Defending Against Data Poisoning Attacks in IoT
物联网(IoT)设备数量的迅速增长产生了大量的数据,但物联网设备中的数据隐私和安全暴露,特别是在自动驾驶系统中。联邦学习(FL)是一种通过集成基于分布式节点的全局模型来解决数据隐私、安全性、访问权限和对异构消息的访问问题的范例。然而,对FL的数据投毒攻击可能会破坏这些好处,破坏全局模型的可用性并中断模型训练。为了避免上述问题,我们建立了一个层次化防御数据投毒(HDDP)系统框架来防御FL中的数据投毒攻击,通过异常检测来监控各个节点的本地模型,从而清除恶意客户端。无论中毒防御服务器是否具有可信测试数据集,我们设计了\underline{l}局部\underline{m}模型\underline{t} est \underline{v} oting(LMTV)和\underline{k} ullback- \underline{l} eibler divergence \underline{a} normaly parameters \underline{d} etection(KLAD)算法来防御标签翻转中毒攻击。具体而言,可信测试数据集被用来获得每个分类的评估结果,以识别LMTV中的恶意客户端。更重要的是,我们采用kullback leibler散度来衡量KLAD中没有可信测试数据集的局部模型之间的相似性。最后,通过广泛的评估,针对各种标签翻转中毒攻击,LMTV和KLAD算法在不同…
2022-09-14 cs.CR
Towards Robust IoT Defense: Comparative Statistics of Attack Detection in Resource-Constrained Scenarios
针对物联网资源受限设备的安全威胁,本文对比多种攻击检测算法并提出新型检测方法与动态分类器选择策略,在多项指标上优于现有方案。
2024-10-10 cs.CR
Adversarial attacks and defenses on ML- and hardware-based IoT device fingerprinting and identification
University of Murcia(穆尔西亚大学);armasuisse Science & Technology(瑞士国防采购与技术局科学与技术部);University of Zurich(苏黎世大学)
在过去的几年里,部署的物联网设备数量经历了爆炸式增长,达到了数十亿的规模。然而,一些新的网络安全问题也随之出现。其中一些问题是部署未经授权的设备、恶意代码修改、恶意软件部署或漏洞利用。这一事实激发了对基于行为监测的新设备识别机制的需求。此外,由于该领域的进步和处理能力的增加,这些解决方案最近利用了机器和深度学习技术。相比之下,攻击者并没有停滞不前,而是开发了对抗攻击,专注于应用于物联网设备识别解决方案的上下文修改和ML/DL评估规避。这项工作探讨了基于硬件行为的单个设备识别的性能,它如何受到可能的上下文和ML/DL攻击的影响,以及如何使用防御技术提高其弹性。从这个意义上说,它提出了一种基于硬件性能行为的LSTM-CNN架构,用于单个设备识别。然后,使用从45台运行相同软件的Raspberry Pi设备收集的硬件性能数据集,将以前的技术与所提出的架构进行了比较。LSTM-CNN改进了以前的解决方案,为所有设备实现了+0.96的平均F1分数和0.8的最小TPR。之后,上下文和ML/DL为重点的对抗攻击对以前的模型,以测试其鲁棒性。基于温度的上下文攻击无法破坏识别。然而,一些ML/DL最先进的规避攻击是成功的。最后,选择对抗性训练和模型蒸馏防御技术来提高模型对规避攻击的弹性,而不会降低其性能。
2022-12-30 cs.AI cs.CR
Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks
研究针对物联网网络入侵检测系统提出黑盒对抗攻击方法,评估其可行性,并提出防御方案以增强系统鲁棒性。
2026-03-24 cs.AI cs.CR
A Review on Internet of Things for Defense and Public Safety
本综述分析物联网技术在国防与公共安全中的应用潜力,回顾战术要求和架构,指出现有系统差距,提出开放性挑战及研究路线图,以提升作战人员生存能力并降低成本。
2024-02-06 cs.CR cs.CY cs.SY
Shakedown: compiler-based moving target protection for Return Oriented Programing attacks on an industrial IoT device
网络犯罪分子使用面向返回的编程技术来攻击系统和物联网设备。虽然已经开发了防御措施,但并非所有防御措施都适用于受限设备。我们介绍了Shakedown,这是一个编译时随机构建工具,它创建了几个版本的二进制文件,每个版本都有不同的内存布局。针对一个设备开发的攻击不会在具有不同内存布局的另一个设备上起作用。我们在一个工业物联网设备上测试了Shakedown,结果表明,在阻止漏洞利用的同时,其正常功能保持不变。
2018-10-11 cs.CR
BaThe: Defense against the Jailbreak Attack in Multimodal Large Language Models by Treating Harmful Instruction as Backdoor Trigger
针对多模态大语言模型易受图像注入有害内容越狱攻击的问题,提出BaThe方法,将有害指令视为后门触发器并嵌入虚拟拒绝提示,实现有效防御且对模型性能影响小。
2025-04-22 cs.CR
Keeping the Smart Home Private with Smart(er) IoT Traffic Shaping
灵巧家庭物联网(IoT)设备的激增为保护家庭内的隐私提出了前所未有的挑战。在本文中,我们证明了一个被动的网络观测器(例如,因特网服务提供商)可以通过分析来自商业上可获得的灵巧家庭设备的因特网业务来推断私人的家庭内活动,即使当这些设备使用端到端传输层加密时也是如此。我们评估常见的方法来抵御这些类型的流量分析攻击,包括防火墙,虚拟专用网络,和独立的链接填充,并发现没有足够的隐藏用户活动与合理的数据开销。我们开发了一种新的防御,“随机流量填充”(STP),这使得它很难一个被动的网络对手,以可靠地区分真正的用户活动从生成的流量模式,旨在看起来像用户的互动。我们的分析提供了一个理论上的限制对手的能力,准确地检测到真正的用户活动的功能的额外的覆盖流量所产生的防御技术。
2019-03-16 cs.CR
Empowering IoT Firmware Secure Update with Customization Rights
针对 IoT 模块级固件定制带来的更新攻击面,本文提出 IMUP 框架,通过变色龙哈希、PoW 卸载与缓存实现可信完整性链和高效更新。
2025-07-25 cs.CR
When Does Trust Help? A Leakage-Free Evaluation of Representation- and Aggregation-Based Defenses Against Backdoors in Federated Intrusion Detection
Charles Sturt University(查尔斯斯特大学);Victoria University(维多利亚大学)
该研究在消除评估人为因素的协议下,对比RepGuard等防御方法,发现仅小触发器下防御有效,抑制后门的关键是触发器知识而非表示评分,DP-SGD无法缓解后门。
2026-10-14 cs.CR
BDFirewall: Towards Effective and Expeditiously Black-Box Backdoor Defense in MLaaS
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);State Key Laboratory for Novel Software Technology, Nanjing University(南京大学新型软件技术国家重点实验室);Yangzhou University(扬州大学)
针对MLaaS黑盒场景的后门攻击防御难题,提出渐进式框架BDFirewall,按可见性分类并分阶段移除三类触发器,在防御效果与推理速度上均显著优于现有基线方法。
2025-08-05 cs.CR
Efficient Intrusion Detection on Low-Performance Industrial IoT Edge Node Devices
工业系统中传感器、执行器和可编程逻辑控制器(PLC)之间的通信从双线现场总线转移到基于IP的协议,如Modbus/TCP。这增加了攻击面,因为基于IP的网络通常可以从公司内的任何地方访问。因此,集中式防御,例如在网络的周边,不能提供足够的保护。相反,需要分散的防御,网络的每个部分都可以保护自己。网络入侵检测系统(IDS)监控网络并报告可疑活动。它们通常在单个主机上运行,无法捕获网络中的所有事件,并且与大量集成工作相关联。为了弥合这一差距,我们引入了一种入侵检测方法,该方法将工业物联网(IIoT)边缘设备上的分布式代理与集中式日志记录相结合。与现有的IDS相比,分布式方法适用于工业低性能微控制器。我们在运行FreeRTOS和LwIP的MCU上演示了概念验证(Proof of Concept,简称OTT)实现,并展示了我们的方法在IIoT应用中的可行性。
2019-08-11 cs.CR
Lite-BD: A Lightweight Black-box Backdoor Defense via Reviving Multi-Stage Image Transformations
University of Rhode Island(罗德岛大学)
本文提出Lite-BD,通过超分辨率下上采样和频域滤波有效防御后门攻击,实验表明其具有高效且稳健的保护能力。
2026-03-30 cs.CR
Plato's Form: Toward Backdoor Defense-as-a-Service for LLMs with Prototype Representations
Nanyang Technological University(南洋理工大学);Wuhan University(武汉大学)
PROTOPURIFY通过原型表示实现LLMs的后门防御即服务,有效降低后门攻击成功率并保持模型性能。
2026-02-06 cs.CR
TAPInspector: Safety and Liveness Verification of Concurrent Trigger-Action IoT Systems
触发动作编程(TAP)是一种流行的最终用户编程框架,可以通过简单的触发动作规则简化物联网(IoT)自动化。但是,它也带来了新的安全威胁。已经提出了许多先进的技术来解决这个问题。严格推理基于TAP的物联网系统的安全性需要针对规则语义和物理世界特征的定义良好的模型和验证方法,例如,并发性、规则延迟、扩展操作、延迟属性和基于连接的规则交互,这些到目前为止一直缺少。通过分析这些特征,我们发现了9种新的规则交互漏洞,并在两个商业物联网平台上进行了验证。然后,我们提出了TAPInspector,这是一种新的系统,可以在并发的基于TAP的物联网系统中检测这些交互漏洞。它自动从物联网应用中提取TAP规则,通过模型切片和状态压缩将其转换为混合模型,并执行具有各种安全性和活性属性的语义分析和模型检验。我们的实验证实了TAPInspector的实用性:它从1108个真实市场的物联网应用程序中识别出533个与规则交互相关的违规行为,并且比没有优化的基线快至少60000倍。
2022-05-06 cs.CR cs.HC cs.NI
From Shortcuts to Triggers: Backdoor Defense with Denoised PoE
UC Davis(加利福尼亚大学戴维斯分校);USC(南加利福尼亚大学);UW-Madison(威斯康星大学麦迪逊分校)
针对触发器多样的语言模型后门攻击,提出端到端集成防御框架 DPoE,通过浅层模型捕获后门捷径、主模型规避捷径并加入去噪机制,在 SST-2 上显著提升多类及混合触发器防御效果。
2024-04-02 cs.AI cs.CL cs.CR
A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning
Department of CSE, BRAC University(BRAC大学计算机科学与工程系)
提出一种结合孪生网络异常关联与PPO强化学习自适应防御的零日入侵检测系统,在物联网基准数据集上实现99.07%未知攻击检测准确率和93.94%零日检测率。
2026-09-23 cs.CR
SLIP: Soft Label Mechanism and Key-Extraction-Guided CoT-based Defense Against Instruction Backdoor in APIs
College of Information and Electrical Engineering, China Agricultural University(中国农业大学信息与电气工程学院)
本文提出SLIP机制,通过软标签和关键提取引导CoT方法,有效对抗API中的指令后门,实验显示攻击成功率降低至25.13%,清洁准确率提升至87.15%。
2026-04-16 cs.CR
Predictive-CSM: Lightweight Fragment Security for 6LoWPAN IoT Networks
本文提出Predictive-CSM防御系统,通过结合节点行为跟踪与链式哈希完整性检查两种轻量级机制,在6LoWPAN物联网网络中有效抵御分片注入、头部重放等攻击,保障网络投递率与能效。
2025-06-02 cs.CR
Removing the Trigger, Not the Backdoor: Alternative Triggers and Latent Backdoors
University of Bergen(卑尔根大学);Delft University of Technology(代尔夫特理工大学);University of Zagreb(Zagreb大学);Radboud University(拉德堡德大学)
本文提出替代触发器存在并影响后门特征空间,主张防御应针对表示空间中的后门方向而非输入空间触发器。
2026-03-10 cs.CR cs.CV
Towards Effective and Robust Neural Trojan Defenses via Input Filtering
Applied Artificial Intelligence Institute (A2I2), Deakin University(迪肯大学应用人工智能研究所(A2I2));University of Wollongong(伍伦贡大学)
木马对深层神经网络的攻击既危险又诡异。在过去的几年中,特洛伊木马攻击已经从只使用单个输入不可知触发器并仅针对一个类发展到使用多个输入特定触发器并针对多个类。然而,特洛伊木马防御并没有跟上这一发展。大多数防御方法仍然对木马触发器和目标类的假设不足,因此,可以很容易地绕过现代木马攻击。为了解决这个问题,我们提出了两种新的“过滤”防御称为变分输入过滤(VIF)和对抗输入过滤(AIF),分别利用有损数据压缩和对抗学习,有效地净化潜在的特洛伊木马触发器在运行时间的输入,而无需假设的触发器/目标类的数量或触发器的输入依赖属性。此外,我们引入了一种新的防御机制,称为“过滤然后对比”(FtC),这有助于避免“过滤”导致的干净数据的分类准确性下降,并将其与VIF/AIF相结合,以获得这种新的防御。广泛的实验结果和消融研究表明,我们提出的防御显着优于著名的基线防御在减轻五个先进的木马攻击,包括最近的两个国家的最先进的,同时是相当强大的少量训练数据和大规范触发。
2023-02-14 cs.AI cs.CR cs.CV
Evolutionary Trigger Detection and Lightweight Model Repair Based Backdoor Defense
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies(广东省新型安全智能技术重点实验室);School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳)计算机科学与技术学院);Peng Cheng Laboratory(鹏城实验室);School of Computer Science and Engineering, Southern University of Science and Technology(南方科技大学计算机科学与工程学院)
针对DNN后门攻击防御在计算资源有限、触发器可变场景下的难题,提出结合CETF进化触发检测与轻量遗忘的模型修复防御方法,兼具准确性与实用性,还揭示了后门与批归一化层的关联。
2024-07-14 cs.AI cs.CR
Februus: Input Purification Defense Against Trojan Attacks on Deep Neural Network Systems
我们提出了Februus;一个新的想法,在运行时中和对深度神经网络(DNN)系统的高度有效和阴险的特洛伊木马攻击。在特洛伊木马攻击中,攻击者使用秘密触发器(特洛伊木马)激活在深度神经网络模型中制作的后门,该触发器应用于任何输入,以改变模型对目标预测的决策--由攻击者确定且仅为攻击者所知的目标。Februus通过外科手术删除潜在的触发器伪像并恢复分类任务的输入来清理传入的输入。Februus通过对输入进行清理而不会损失经过清理的输入、特洛伊木马或良性输入的性能,从而实现有效的特洛伊木马缓解。我们对基于四个流行数据集的多个感染模型进行了广泛的评估,这些数据集跨越了三种对比鲜明的视觉应用和触发类型,证明了Februus的高效率。我们将所有情况下的攻击成功率从100%大幅降低到接近0%(在多个情况下达到0%),并评估了Februus抵御复杂自适应攻击的通用性;值得注意的是,我们首次实现了对高级部分木马攻击的防御。据我们所知,Februus是第一个在运行时运行的后门防御方法,能够在不需要异常检测方法,模型再训练或昂贵的标记数据的情况下清理特洛伊木马输入。
2020-09-28 cs.CR
DODEM: DOuble DEfense Mechanism Against Adversarial Attacks Towards Secure Industrial Internet of Things Analytics
University of California, San Diego(加州大学圣地亚哥分校);San Diego State University(圣地亚哥州立大学)
工业物联网(I-IoT)是设备,传感器和网络设备的协作,用于监控和收集工业运营的数据。机器学习(ML)方法使用这些数据来做出高层次的决策,而人工干预最少。数据驱动的预测性维护(PDM)是一种关键的基于ML的I-IoT应用程序,可以为工业资产找到最佳的维护计划。这些ML方法的性能可能会受到对抗攻击的严重威胁,其中对手制作扰动数据并将其发送到ML模型以降低其预测性能。模型应该能够保持鲁棒性,以抵抗这些攻击,其中鲁棒性是通过输入数据中的扰动对模型性能的影响来衡量的。因此,需要有效的防御机制,可以保护这些模型免受对抗攻击。在这项工作中,我们提出了一种双重防御机制,以检测和减轻I-IoT环境中的对抗攻击。我们首先使用新颖性检测算法检测给定样本上是否存在对抗攻击。然后,根据我们算法的结果,将实例标记为攻击或正常,我们选择对抗性再训练或标准训练来提供二级防御层。如果有攻击,对抗性再训练提供了一个更强大的模型,而我们对常规样本应用标准训练。由于我们可能不知道攻击是否会发生,我们的自适应机制允许我们考虑数据的不规则变化。结果表明,我们的双重防御策略是高效的,与标准和对抗性再训练相比,我们可以将模型的鲁棒性分别提高64.6%和52%。
2023-01-23 cs.CR cs.LG
RL and Fingerprinting to Select Moving Target Defense Mechanisms for Zero-day Attacks in IoT
University of Murcia(穆尔西亚大学);University of Zurich(苏黎世大学);armasuisse Science & Technology(瑞士阿马苏斯科学技术局)
针对IoT单板计算机的零日攻击,提出基于在线强化学习和行为指纹识别的框架,动态选择移动目标防御机制,在真实场景中有效缓解异构恶意攻击且资源开销低。
2022-12-30 cs.AI cs.CR
MISA: Online Defense of Trojaned Models using Misattributions
Boston University(波士顿大学);SRI International(斯坦福国际研究院)
最近的研究表明,神经网络很容易受到特洛伊木马攻击,其中网络被训练成以特定和潜在恶意的方式对输入中特制的触发模式做出响应。本文提出了MISA,一种新的在线方法来检测木马触发器的神经网络在推理时间。我们的方法是基于一个新的概念称为misattributations,它捕捉了木马激活的特征空间中的异常表现。给定输入图像和相应的输出预测,我们的算法首先计算模型在不同特征上的属性。然后对这些属性进行统计分析,以确定是否存在特洛伊木马触发器。在一组基准测试中,我们证明了我们的方法可以有效地检测各种触发模式的特洛伊木马触发器,包括最近几个没有已知防御的触发模式。我们的方法实现了96%的AUC检测图像,其中包括一个木马触发器没有任何假设的触发模式。
2021-09-23 cs.CR cs.CV stat.ML
Proactive Detection of Physical Inter-rule Vulnerabilities in IoT Services Using a Deep Learning Approach
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);Department of Computer Science, Western Washington University(西华盛顿大学计算机科学系)
本文提出一种基于深度学习的框架,利用Transformer从规则描述中提取触发-动作规则并结合NLP识别共享环境通道,以主动发现物联网服务中的物理规则间漏洞。
2024-06-06 cs.AI cs.CR
HADES-IoT: A Practical Host-Based Anomaly Detection System for IoT Devices (Extended Version)
物联网(IoT)设备已经变得无处不在,并遍布许多应用领域,包括工业,交通,医疗保健和家庭。然而,物联网设备的激增引发了人们对其安全性的担忧,特别是当观察到许多制造商由于上市时间短和低成本压力而只关注其产品的核心功能时,而忽视了安全方面。此外,目前还没有任何既定或标准化的方法来衡量和确保物联网设备的安全性。因此,漏洞未得到处理,允许攻击者出于各种目的利用物联网设备,例如损害隐私,将设备招募到僵尸网络中,或滥用设备进行加密货币挖掘。在本文中,我们提出了一个实用的基于主机的物联网异常检测系统(HADES-IoT),它代表了最后一道防线。HADES-IoT具有主动检测功能,提供防篡改能力,并且可以部署在各种基于Linux的物联网设备上。HADES-IoT的主要优点是其低性能开销,这使得它适合物联网领域,由于其高性能需求,无法应用最先进的方法。我们在七台物联网设备上部署了HADES-IoT,以评估其有效性和性能开销。我们的实验表明,HADES-IoT在检测当前的物联网恶意软件(如VPNFilter和IoTReaper)方面实现了100%的有效性;而平均而言,仅需要5.5%的可用内存,并且仅导致低CPU负载。
2019-05-03 cs.CR
Test-Time Detection of Backdoor Triggers for Poisoned Deep Neural Networks
Pennsylvania State University(宾夕法尼亚州立大学)
后门(特洛伊木马)攻击是针对深度神经网络(DNN)的新兴威胁。每当来自任何源类的测试样本嵌入后门模式时,被攻击的DNN将预测攻击者想要的目标类;同时正确分类干净(无攻击)的测试样本。现有的后门防御在检测DNN是否受到攻击以及在“后训练”机制中对后门模式进行逆向工程方面取得了成功:防御者可以访问要检查的DNN和独立收集的小而干净的数据集,但无法访问DNN的(可能中毒的)训练集。然而,这些防御既不能在触发后门映射的行为中抓住罪犯,也不能在测试时减轻后门攻击。在本文中,我们提出了一个“飞行中”防御后门攻击的图像分类,1)检测使用后门触发器在测试时,和2)推断类的起源(源类)检测到的触发器的例子。我们的防御的有效性进行了实验证明,对不同的强大的后门攻击。
2021-12-06 cs.CR cs.LG
Defense against flooding attacks using probabilistic thresholds in the internet of things ecosystem
物联网(IoT)生态系统允许全球数十亿台自主收集数据的设备之间进行通信。这些设备产生的大量数据必须完全安全地控制。由于安全挑战问题,集中式解决方案无法响应这些问题。因此,平均分组传输速率(APT-RNTH)作为一种有效的解决方案,已经被用来克服这些问题,以允许设备之间的完全安全的通信。在本文中,提出了一种名为LSFA-IoT的方法,可以保护AODV路由协议以及IoT网络免受洪泛。所提出的方法分为两个主要阶段,第一阶段包括一个物理层入侵和攻击检测系统,用于检测攻击,第二阶段涉及检测不正确的事件,通过APT-Risk消息。仿真结果表明,该方法在误报率(FPR)、漏报率(FPR)、检测率(DR)和数据包传输率(PDR)方面均优于REATO和IRAD。此外,仿真结果表明,所提出的方法可以显着提高每个事物的安全性和网络安全性。
2021-02-19 cs.CR cs.NI
Isolate Trigger: Detecting and Eliminating Adaptive Backdoor Attacks
Beijing University of Posts and Telecommunications(北京邮电大学);China Mobile Research Institute(中国移动研究院);University of Technology Sydney(悉尼科技大学);Nanjing University of Science and Technology(南京理工大学)
针对可绕过现有防御的自适应后门攻击,本文提出IsTr框架,通过特征关注差异设计机制隔离触发器,结合遗忘学习修复模型,在多场景下实现更优的检测与防御效果。
2025-11-15 cs.CR
FedBAP: Backdoor Defense via Benign Adversarial Perturbation in Federated Learning
School of Cyber Science and Engineering, Wuhan University(武汉大学计算机科学与工程学院);Department of Computer and Artificial Intelligence, Wuhan University of Technology(武汉理工大学计算机与人工智能学院);School of Software Engineering, Huazhong University of Science and Technology(华中科技大学软件工程学院)
针对联邦学习中的后门攻击,提出FedBAP框架,通过生成与触发器匹配的良性对抗扰动并自适应调整强度,减少模型对触发器的依赖,显著降低攻击成功率。
2025-07-26 cs.CR cs.LG
Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
本研究提出一种多层机器学习集成框架,用于智能检测物联网中的ARP欺骗攻击,通过动态反馈和数据集平衡处理,实现高达97.5%的检测精度和低于2%的误报率,显著提升物联网安全性。
2025-06-22 cs.CR
BELT: Old-School Backdoor Attacks can Evade the State-of-the-Art Defense with Backdoor Exclusivity Lifting
Fudan University(复旦大学)
提出后门排他性概念及BELT技术,通过抑制后门与模糊触发器的关联,使老派后门攻击能以几乎不损失成功率和效用的代价规避多种最先进防御。
2024-04-25 cs.AI cs.CR
DLP: towards active defense against backdoor attacks with decoupled learning process
针对深度学习模型易受后门攻击的问题,研究者基于模型在干净与中毒数据子集上学习行为不同的观察,提出名为DLP的三阶段解耦学习主动防御训练流程,可从不可靠数据集中训练出良性模型,经多攻击多数据集实验验证有效。
2024-06-18 cs.CR
A comprehensive survey on RPL routing-based attacks, defences and future directions in Internet of Things
该综述梳理2011-2024年物联网RPL路由相关的攻击与防御研究,提出新型攻击和防御分类法,分析评估工具适用性,指明研究挑战与方向。
2025-01-18 cs.CR
SAFECHAIN: Securing Trigger-Action Programming from Attack Chains (Extended Technical Report)
物联网(IoT)的普及正在重塑我们的生活方式。随着物联网传感器和设备通过互联网相互通信,人们可以定制自动化规则以满足他们的需求。然而,除非仔细定义,否则随着设备数量和规则复杂性的增加,这些规则很容易成为安全故障点。由于设备之间的复杂连锁反应,设备所有者可能最终无意中向未经授权的实体提供访问或泄露私人信息。以前的工作对攻击者行动编程要么集中在冲突解决或可用性问题,或未能准确和有效地检测这样的攻击链。本文探讨了安全漏洞时,用户可以自由地定制自动化规则,使用自动化操作编程。我们定义了两大类攻击-特权升级和隐私泄漏-并提出了一个实用的基于模型检查的系统称为SAFECHAIN,检测隐藏的攻击链利用规则的组合。基于现有的模型检查技术,SAFECHAIN通过将物联网生态系统建模为有限状态机来识别攻击链。为了提高实用性,SAFECHAIN通过频繁地重新检查给定当前状态的自动化规则来避免对环境进行精确建模的需要,并采用规则感知优化来进一步降低开销。我们的比较分析表明,SAFECHAIN可以有效地,准确地识别攻击链,我们的原型实现SAFECHAIN可以验证100条规则,在不到一秒钟,没有误报。
2019-03-09 cs.CR
DYNAMITE: Dynamic Defense Selection for Enhancing Machine Learning-based Intrusion Detection Against Adversarial Attacks
针对ML-IDS易受对抗性攻击且缺乏针对性防御选择方法的问题,提出动态防御选择框架Dynamite,通过机器学习驱动机制选最合适防御,大幅减少计算时间并显著提升F1分数。
2025-04-17 cs.CR
On the Vulnerability of Backdoor Defenses for Federated Learning
Tongji University(同济大学);Pennsylvania State University(宾夕法尼亚州立大学)
联邦学习(FL)是一种流行的分布式机器学习范例,它能够在不共享客户端数据的情况下联合训练全局模型。然而,其重复的服务器-客户端通信为后门攻击提供了空间,目的是在呈现特定触发模式时误导全局模型进入有针对性的错误预测。为了应对这种对联邦学习的后门威胁,已经提出了各种防御措施。在本文中,我们研究了当前的防御机制是否真正中和后门的威胁,从联邦学习在一个实际的设置,提出了一个新的联邦后门攻击方法可能的对策。与传统的基于后门注入的训练(在触发数据上)和重新缩放(恶意客户端模型)不同,所提出的后门攻击框架(1)直接修改(小比例)局部模型权重以通过符号翻转注入后门触发器;(2)与客户端模型联合优化触发模式,从而更持久和隐蔽地规避现有防御。在一个案例研究中,我们从三个主要类别研究了最近的联邦后门防御的优点和缺点,并在实践中训练联邦模型时为从业者提供建议。
2023-01-19 cs.AI cs.CR cs.LG