Towards Learning-automation IoT Attack Detection through Reinforcement Learning
University of California(加利福尼亚大学);ARM Research(ARM研究院)
随着物联网(IoT)设备的大量部署,IoT中的安全和隐私问题引起了越来越多的关注。物联网攻击给物联网网络造成了巨大的损失,甚至威胁到人类的安全。与传统网络相比,物联网网络具有独特的特点,这使得攻击检测更具挑战性。首先,平台、协议、软件和硬件的异构性暴露了各种漏洞。其次,除了传统的高速率攻击外,低速率攻击也被物联网攻击者广泛用于混淆合法和恶意流量。这些低速率攻击很难检测到,并且可能在网络中持续存在。最后,攻击者正在变得更加智能,并且可以根据环境反馈动态地改变他们的攻击策略以避免被检测到,这使得防御者更难发现一致的模式来识别攻击。为了适应物联网攻击的新特点,提出了一种基于强化学习的攻击检测模型,能够自动学习和识别攻击模式的变化。因此,我们可以在更少的人为干预下持续检测物联网攻击。在本文中,我们探索了物联网流量的关键特征,并利用基于熵的指标来检测高速率和低速率的物联网攻击。然后,利用强化学习技术,根据检测反馈不断调整攻击检测阈值,优化检测和虚警率。我们对真实的物联网攻击数据集进行了广泛的实验,并证明了我们的物联网攻击检测框架的有效性。
2020-06-29 cs.AI cs.CR cs.LG
Towards a Universal Features Set for IoT Botnet Attacks Detection
Al-Khawarizmi Institute of Computer Science (KICS)(阿尔-花剌子模计算机科学研究所(KICS))
物联网设备的安全隐患使攻击者很容易利用物联网设备,使它们成为僵尸网络的一部分。一旦数十万物联网设备被入侵并成为僵尸网络的一部分,攻击者就会使用该僵尸网络发起大型复杂的分布式拒绝服务(DDoS)攻击,从而使目标网站或服务无法响应合法用户。到目前为止,已经提出了许多僵尸网络检测技术,但它们的性能仅限于它们所训练的特定数据集。这是因为用于在一个僵尸网络数据集上训练机器学习模型的特征由于攻击模式的多样性而在其他数据集上表现不佳。因此,在本文中,我们提出了一个通用的特征集,以更好地检测僵尸网络攻击,无论底层数据集。当在三个不同的僵尸网络攻击数据集上测试训练好的机器学习模型时,所提出的特征集表现出检测僵尸网络攻击的卓越结果。
2020-12-01 cs.AI cs.CR
Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks
Artificial Intelligence Research (AIR) Center(人工智能研究(AIR)中心);University of North Dakota(北达科他大学)
本研究比较随机森林、XGBoost和LightGBM三种集成学习算法,在边缘计算辅助物联网环境中检测僵尸网络攻击,验证其准确性与在资源受限设备上的可行性。
2025-08-03 cs.AI cs.CR
IoT Lotto: Utilizing IoT Devices in Brute-Force Attacks
使用中的物联网设备数量正在迅速增加,物联网应用的数量也在迅速增加。与任何新技术一样,快速发展意味着安全威胁和攻击面的快速增加。在过去的几年里,物联网安全已被证明是一个挑战。然而,另一项具有挑战性的任务是防止物联网设备成为恶意攻击者用来闯入其他系统的工具。在本文中,我们提出了一个概念设计,其中物联网设备被用作蛮干攻击的工具,以打破块密码的加密密钥。所提出的设计表明,在攻击中使用足够数量的物联网设备,攻击可以成功破解大密钥块密码。
2018-12-08 cs.CR
On the Feasibility of Attribute-Based Encryption on Internet of Things Devices
基于属性的加密(ABE)可能是物联网(IoT)设备安全管理的有效加密工具,但迄今为止,其在物联网中的可行性尚未得到充分研究。本文探讨了知名物联网平台的可行性,即英特尔Galileo Gen 2,英特尔Edison,Raspberry Pi 1 Model B和Raspberry Pi Zero,并得出结论,在物联网中采用ABE确实是可行的。
2016-11-24 cs.CR
D-Score: An Expert-Based Method for Assessing the Detectability of IoT-Related Cyber-Attacks
众所周知,物联网设备容易受到各种网络攻击,例如数据泄露和作为DDoS攻击一部分的洪水攻击。当使用网络流量分析来检测此类攻击时,事实证明,如果某些攻击场景涉及不同的物联网模型,则并不总是同样容易检测到。也就是说,当针对某些物联网模型时,可以相当准确地检测到给定的攻击,而当针对其他模型时,相同的攻击可能会导致太多的错误警报。在这项研究中,我们试图解释物联网攻击可检测性的这种可变性,并设计一种风险评估方法,能够解决一个关键问题:基于异常的网络入侵检测系统检测涉及特定物联网模型的给定网络攻击有多容易?在解决这个问题的过程中,我们(a)调查物联网网络流量的可预测性,(b)提出一种新的物联网攻击检测分类法,该分类法还包含流量可预测性方面,(c)提出一种基于专家的攻击可检测性估计方法,该方法使用该分类法来获得可检测性得分(称为“D分数”),以及(d)在将我们的方法与数据驱动的方法进行比较时,对我们的方法进行经验评估。
2023-03-02 cs.CR
RESTRAIN: Reinforcement Learning-Based Secure Framework for Trigger-Action IoT Environment
Old Dominion University(奥多明尼昂大学);Wichita State University(威奇托州立大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
本文提出平台无关的多智能体在线防御系统RESTRAIN,利用强化学习在运行时优化防御策略,以应对物联网触发-动作环境中的远程注入攻击,实现实时防御并最大化安全收益。
2025-03-12 cs.AI cs.CR
Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
Department of Telecommunication, Kwame Nkrumah University of Science and Technology (KNUST), Kumasi, Ghana(电信系,科克伦大学科学与技术学院(KNUST),加纳库马西)
本研究评估了四种常用分类器在数据中毒攻击下的鲁棒性,发现集成模型较稳定,而逻辑回归和深度神经网络在标签操纵和异常值攻击下性能下降达40%,强调了对抗训练和异常监控的重要性。
2026-04-15 cs.AI cs.CR
Unraveling Attacks in Machine Learning-based IoT Ecosystems: A Survey and the Open Libraries Behind Them
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Deep Red Future Technology Co. Ltd.(深红未来科技有限公司);CSIRO(澳大利亚联邦科学与工业研究组织);University of Saskatchewan(萨斯喀彻温大学);Sichuan University(四川大学)
该研究全面综述了物联网生态中机器学习集成带来的各类安全攻击,按攻击者模型等标准分类,评估65个相关安全库,为物联网ML安全防护提供见解与工具参考。
2024-01-27 cs.AI cs.CR
Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
Badji Mokhtar Annaba University(巴吉·穆克塔尔·安纳巴大学);University of La Rochelle(拉罗谢尔大学);National Higher School of Technology and Engineering(国家技术与工程高等学院)
本研究提出一种结合LLMs与LSTM的主动网络入侵预测框架,利用微调GPT预测流量、微调BERT评估预测,并由LSTM识别恶意数据包,在CICIoT2023数据集上达到98%准确率,有效提升IoT网络安全。
2024-08-26 cs.AI cs.CR
VEXAIoT: Autonomous IoT Vulnerability EXploitation using AI Agents
Department of Computer Science Tennessee Tech University Cookeville, TN, USA;School of Interdisciplinary Informatics University of Nebraska Omaha Omaha, NE, USA;1 Department of Computer Science, Tennessee Tech University, TN, USA.;2 School of Interdisciplinary Informatics, University of Nebraska Omaha, NE, USA.;3 Dept. of Mathematics \& Computer Science, University of North Carolina at Pembroke, NC, USA.
研究针对物联网系统漏洞,提出VEXAIoT自主多代理框架,利用大语言模型推理和进攻性安全工具,结合漏洞检测与攻击执行代理,在特定环境评估中取得高成功率,证明其可实现物联网漏洞评估及安全工作流程自动化。
2026-07-13 cs.AI cs.CR
Iota: A Framework for Analyzing System-Level Security of IoTs
大多数物联网系统涉及物联网设备、通信协议、远程云、物联网应用程序、移动应用程序和物理环境。然而,现有的物联网安全分析只关注所有必要组件的子集,如设备固件,而忽略了物联网系统的交互性,导致攻击检测能力有限。在这项工作中,我们提出了Iota,一个基于逻辑编程的框架来执行物联网系统的系统级安全分析。Iota为物联网系统生成攻击图,显示所有可能受到攻击的系统资源,并列举潜在的攻击痕迹。在构建Iota的过程中,我们设计了新颖的技术来扫描物联网系统中的单个漏洞,并进一步为物联网漏洞创建通用的利用模型。我们还识别和建模不同设备之间的物理依赖关系,因为它们是物联网系统所独有的,并且被对手用来发起复杂的攻击。此外,我们利用NLP技术来提取基于应用描述的物联网应用语义。为了评估漏洞对系统范围的影响,我们根据攻击图提出了两个指标,为加强物联网系统提供指导。通过对127个物联网漏洞的评估表明,Iota的漏洞利用建模模块在预测漏洞的前提条件和影响方面达到了80%以上的准确率。我们将Iota应用于37个基于真实物联网应用和设备的合成灵巧家庭物联网系统。实验结果表明,我们的框架是有效的和高效的。在攻击图显示的27条最短攻击路径中,62.8%是系统管理员没有预料到的。只需1.2秒即可生成和分析由50台设备组成的物联网系统的攻击图。
2022-02-05 cs.CR
Adversarial Attacks on Machine Learning in Embedded and IoT Platforms
机器学习(ML)算法越来越多地被集成到我们周围的嵌入式和物联网系统中,它们很容易受到对抗攻击的攻击。在资源有限的嵌入式平台上部署这些ML算法还需要使用模型压缩技术。这种模型压缩技术对ML对抗鲁棒性的影响是一个重要的新兴研究领域。本文概述了与嵌入式系统相关的对抗攻击和ML模型压缩技术。然后,我们描述的努力,试图了解对抗攻击和ML模型压缩之间的关系,然后讨论在这一领域的开放性问题。
2023-03-03 cs.AI cs.CR cs.LG
Exploring Post-Quantum Cryptographic Schemes for TLS in 5G Nb-IoT: Feasibility and Recommendations
本文研究了在5G NB-IoT中应用后量子密码方案保护TLS的可行性,发现NIST选定的Kyber密钥交换协议开销可接受,但后量子签名方案会导致高延迟和低吞吐量。
2023-09-06 cs.CR
Consumer, Commercial and Industrial IoT (In)Security: Attack Taxonomy and Case Studies
物联网(IoT)设备在我们的生活中变得无处不在,应用范围从消费领域到商业和工业系统。物联网设备的急剧增长和广泛采用加强了设备开发生命周期中健全和强大的网络安全实践的重要性。物联网相关的漏洞如果被成功利用,不仅会影响设备本身,还会影响物联网设备运行的应用领域。显然,查明和解决每一个脆弱性是一项艰巨的任务,如果不是不可能的话。攻击分类法可以帮助对攻击及其相应的漏洞进行分类。然后,可以利用安全对策和最佳实践来缓解威胁和漏洞,以免它们成为灾难性攻击,并确保整体安全的物联网操作。因此,在本文中,我们提供了一种攻击分类,该分类考虑了物联网堆栈的不同层,即,设备、基础设施、通信和服务,以及每一层可被对手利用的指定特征。此外,我们还使用了9起针对消费者、商业和工业部门部署的物联网设备的真实网络安全事件,描述了物联网相关的漏洞、利用程序、攻击、影响以及潜在的缓解机制和保护策略。这些(以及许多其他)事件突出了物联网系统的潜在安全问题,并展示了此类互联生态系统的潜在攻击影响,而拟议的分类法提供了一个系统化的程序,根据受影响的层和相应的影响对攻击进行分类。
2021-05-14 cs.CR
Dealing with Imbalanced Classes in Bot-IoT Dataset
Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
本文针对 Bot-IoT 数据集中正常与攻击流量类别不平衡问题,提出结合 SMOTE 的二分类方法,以提升攻击数据包检测性能并分析不平衡数据的影响。
2024-03-27 cs.AI cs.CR
IoT and Man-in-the-Middle Attacks
本文综述物联网的重要性,分析中间人攻击的成因、检测与预防挑战,并展望提升物联网安全防护能力的未来方法与设施。
2023-08-04 cs.CR
Classification of cyber attacks on IoT and ubiquitous computing devices
本文对物联网恶意软件进行分类,识别主要攻击目标与利用方式,指出设备定义和安全目标缺失是核心障碍,并强调现有攻击大多可通过既有技术措施缓解。
2023-12-01 cs.CR
IoTWarden: A Deep Reinforcement Learning Based Real-time Defense System to Mitigate Trigger-action IoT Attacks
本文提出IoTWarden,一种基于深度强化学习和深度Q网络的实时防御系统,通过定义奖励函数学习最优防御策略,以低计算开销有效识别并缓解触发-动作式物联网中的远程注入攻击。
2024-01-16 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 Novel Sybil Attack Detection Scheme Based on Edge Computing for Mobile IoT Environment
物联网(IoT)通过信息传感设备将所有物品连接到互联网,以交换信息进行智能识别和管理。Sybil攻击是物联网中一种著名的严重攻击。以前大多数检测物联网中Sybil攻击的方法主要集中在静态物联网上,而适用于移动物联网的方法非常少。针对移动物联网中的Sybil攻击,提出了一种基于边缘计算的轻量级分布式检测方案。在所提出的方案中,检测包括两轮。在每一轮中,成员节点需要向边缘节点发送数据包。边缘节点计算来自第一轮的接收信号强度指示(RSSI)的可能间隔,并检查来自第二轮的RSSI是否在该间隔内以检测Sybil攻击。广泛的实验研究表明,所提出的方法优于许多现有的方法在真检测和误检测率。此外,实验结果表明,该方法中的容错设计大大提高了检测方案。
2022-04-24 cs.CR
On Runtime Software Security of TrustZone-M based IoT Devices
物联网(IoT)设备已经越来越多地融入我们的日常生活。然而,这样的智能设备遭受广泛的攻击面。特别是,如果物联网设备使用资源受限的微控制器(MCU),则在运行时针对设备软件的攻击具有挑战性。TrustZone-M是MCU的TrustZone扩展,是一种新兴的安全技术,可增强基于MCU的物联网设备。本文首次对启用TrustZone-M的MCU中的潜在软件安全问题进行了安全分析。我们探讨了基于堆栈的缓冲区溢出(BOF)攻击的代码注入,面向返回的编程(ROP)攻击,基于堆的BOF攻击,格式字符串攻击,和攻击非安全可调用(NSC)的上下文中的TrustZone-M的功能。我们使用启用TrustZone-M的SAM L11 MCU验证这些攻击。还讨论了减轻这些软件攻击的策略。
2020-07-12 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
Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base
San Francisco State University(旧金山州立大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
针对物联网DDoS攻击检测难题,提出基于设备端大语言模型(ODLLM)结合特征排序知识库的框架,实现高效准确检测,并在边缘计算中展现优越性能。
2025-03-27 cs.AI cs.CR cs.NI
Quantitative Analysis of DoS Attacks and Client Puzzles in IoT Systems
拒绝服务(DoS)攻击是当今互联网的主要安全威胁。这一挑战与物联网(IoT)尤其相关,因为设备的计算能力、内存和安全机制都较低,无法缓解DoS攻击。本文提出了一个模型,模仿物联网设备网络的独特特征,包括实现“加密谜题”的系统组件-一种DoS缓解技术。我们在系统上创建了一个模拟的DoS攻击,并进行了定量分析,以模拟这种攻击可能对系统产生的影响,评估物联网系统中安全性和吞吐量之间的权衡。我们通过PRISM中的随机模型检验对此进行建模,并提供证据支持这一点,作为一种有价值的方法来比较物联网系统不同实现的效率,并通过案例研究进行了说明。
2017-10-30 cs.CR
A First Step Towards Understanding Real-world Attacks on IoT Devices
随着物联网(IoT)设备的快速增长,必须主动了解它们面临的现实网络安全威胁。本文描述了我们建立蜜罐生态系统的初步努力,作为收集和分析针对物联网设备的真实攻击数据的手段。蜜罐产生有用见解的主要条件是让攻击者相信他们是人类和组织使用的真实系统。物联网设备在这方面提出了独特的挑战,由于各种各样的设备类型和物理连接性的性质。因此,我们创建了一个多阶段的方法来构建蜜罐生态系统,研究人员可以通过观察现实世界中攻击者的行为来逐渐提高低交互蜜罐在模拟物联网设备方面的复杂性。我们在内部和云中部署了蜜罐,并提供了相关的分析和审查基础设施,以确保这些蜜罐无法被轻易识别,并且看起来像是真实的系统。通过这样做,我们能够吸引越来越复杂的攻击数据。我们提出了这个蜜罐生态系统的设计和我们对攻击数据的观察。我们的数据显示,现实世界的攻击者正在明确地攻击物联网设备,一些捕获的活动似乎涉及直接的人类交互(而不是脚本化的自动活动)。我们还为物联网摄像头构建了一个低交互的蜜罐,称为Honeycamera,它向攻击者呈现看似真实的视频。这是我们朝着建立一个更全面的蜜罐生态系统迈出的第一步,这将使研究人员能够具体了解攻击者在物联网设备上的目标,以便更积极地保护它们。
2020-03-02 cs.CR
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
Deployment Optimization of IoT Devices through Attack Graph Analysis
物联网(IoT)已成为我们工作和家庭生活中不可或缺的一部分。然而,这些物联网设备由于其低成本、低资源、供应商的多样性和专有固件而容易受到漏洞利用。此外,短距离通信协议(例如,蓝牙或ZigBee)为攻击者在组织内的横向移动提供了额外的机会。因此,IoT设备的类型和位置可能会显著改变组织网络的网络安全级别。在本文中,我们基于增强的攻击图分析来量化网络安全级别,该分析考虑了物联网设备的物理位置及其通信能力。我们使用深度优先分支定界(DFBnB)启发式搜索算法来解决两个优化问题:最小风险的完全部署(FDMR)和无风险恶化的最大效用(MURD)。提出了一种可容许的启发式算法来加速搜索。所提出的方法使用具有模拟物联网设备部署的真实网络进行评估。结果表明:(1)增强攻击图对量化组织内部署的物联网设备对安全性的影响的贡献,以及(2)优化物联网部署的有效性。
2019-04-11 cs.CR
How To Mitigate And Defend Against DDoS Attacks In IoT Devices
本文分析了IoT网络中DDoS攻击的性质与影响,提出了包含IPv6 ULA、边缘计算、SDN、蜜罐欺骗和基于机器学习的入侵检测系统等分层缓解策略,以帮助工程师和研究人员实施实用对策保护IoT基础设施。
2025-07-15 cs.CR
N-BaIoT: Network-based Detection of IoT Botnet Attacks Using Deep Autoencoders
物联网设备的激增比台式计算机更容易受到危害,导致基于物联网的僵尸网络攻击的发生率增加。为了缓解这种新的威胁,需要开发新的方法来检测从受损的物联网设备发起的攻击,并区分基于物联网的小时和毫秒攻击。在本文中,我们提出并实证评估了一种新的基于网络的异常检测方法,该方法提取网络的行为快照,并使用深度自动编码器来检测来自受损物联网设备的异常网络流量。为了评估我们的方法,我们在实验室中用两个最广为人知的基于物联网的僵尸网络Mirai和BASHLITE感染了九个商用物联网设备。我们的评估结果表明,我们提出的方法能够准确、即时地检测从僵尸网络中受感染的物联网设备发起的攻击。
2018-05-09 cs.CR cs.LG
Security Framework for IoT Devices against Cyber-Attacks
物联网(IoT)是通过互联网将具有不同应用领域的异构智能设备互连。智能设备的数量庞大和网络的复杂性使得设备之间的数据和通信变得不可能。各种传统的安全控制不足以防止对这些信息丰富的设备的大量攻击。随着加强现有的方法,外围防御,入侵检测系统(IDS),证明在大多数情况下是有效的。然而,传统的IDS方法是不适合的,以减轻不断出现的零日攻击。能够检测不熟悉的入侵的智能机制似乎是一个有前景的解决方案。本文探讨了针对物联网架构的流行攻击及其相关防御机制,以确定针对不同网络实践和攻击类别的适当保护措施。此外,物联网架构的安全框架提供了一系列安全增强技术。
2019-11-26 cs.CR
Thesis Deployment Optimization of IoT Devices through Attack Graph Analysis
物联网(IoT)已成为我们工作和家庭生活中不可或缺的一部分。然而,这些物联网设备由于其低成本、低资源、供应商的多样性和专有固件而容易受到漏洞利用。此外,短距离通信协议(例如,蓝牙或ZigBee)为攻击者在组织内的横向移动提供了额外的机会。因此,IoT设备的类型和位置可能会显著改变组织网络的网络安全级别。在这项工作中,我们基于增强的攻击图分析来量化网络安全级别,该分析考虑了物联网设备的物理位置及其通信能力。我们使用深度优先分支定界(DFBnB)启发式搜索算法来解决两个优化问题:最小风险的完全部署(FDMR)和无风险恶化的最大效用(MURD)。提出了一种可容许的启发式算法来加速搜索。所提出的方法使用具有模拟物联网设备部署的真实网络进行评估。结果表明:(1)增强攻击图对量化组织内部署的物联网设备对安全性的影响的贡献,以及(2)优化物联网部署的有效性。
2019-11-15 cs.CR
AntibIoTic: Protecting IoT Devices Against DDoS Attacks
2016年是向世界展示分布式拒绝服务攻击有多危险的一年。DDoS攻击破坏性的衡量标准是所涉及的僵尸程序的数量:僵尸网络越大,攻击越强大。这一特性,以及连接和不安全的物联网设备的可用性不断增加,使DDoS和物联网成为恶意软件行业的完美组合。在本文中,我们介绍了AntibIoTic背后的主要思想,这是一种预防通过物联网设备进行DDoS攻击的姑息性解决方案。
2017-06-28 cs.CR cs.CY
IoT Security Techniques Based on Machine Learning
将各种设备集成到网络中以提供先进和智能服务的物联网(IoT)必须保护用户隐私并应对诸如欺骗攻击、拒绝服务攻击、干扰和窃听等攻击。在这篇文章中,我们研究了物联网系统的攻击模型,并回顾了基于机器学习技术的物联网安全解决方案,包括监督学习,无监督学习和强化学习。我们专注于基于机器学习的物联网认证、访问控制、安全卸载和恶意软件检测方案,以保护数据隐私。在本文中,我们讨论了在实际物联网系统中实施这些基于机器学习的安全方案所需要解决的挑战。
2018-01-19 cs.CR
Optimized Ensemble Model Towards Secured Industrial IoT Devices
Zarqa University(扎尔卡大学)
针对工业物联网攻击检测问题,本文提出结合贝叶斯优化-高斯过程与集成树模型的框架,并在UNSW Windows 10数据集上验证其检测准确率、精确率和F-score优于标准树与集成树模型。
2024-01-10 cs.AI cs.CR
Design and Development of an ML/DL Attack Resistance of RC-Based PUF for IoT Security
Pandit Deendayal Energy University(潘迪特·迪恩达亚尔能源大学)
本文提出一种基于RC的动态可重构PUF,通过32位挑战响应对抵抗ML/DL攻击,实验显示传统机器学习模型在测试集上表现不佳,验证了PUF的高安全性与低资源消耗。
2026-03-26 cs.AI cs.CR
The Impact of DoS Attacks onResource-constrained IoT Devices:A Study on the Mirai Attack
Mirai是一种恶意软件,它创建了一个由互联网连接的设备组成的僵尸网络,之后可以用来感染其他设备或服务器。本文旨在分析和解释Mirai代码,并创建一个低成本的仿真环境,以帮助Mirai的动态分析。此外,我们执行受控的拒绝服务攻击,同时测量资源受限的受损和受害物联网(IoT)设备上的资源消耗,例如能耗,CPU利用率,内存利用率,以太网输入/输出性能和安全数字卡使用率。实验设置表明,当受感染的设备发送用户数据报协议(UDP)洪水时,它消耗的能量比正常使用多38.44%。在使用安全数字的情况下,当被传输控制协议(TCP)消息淹没时,受害者将多使用64.6%的存储用于读取,多使用55.45%的存储用于写入。Mirai攻击对资源受限的物联网设备造成的显著额外资源消耗可能严重威胁此类设备的广泛采用,并为资源受限的物联网环境中的安全设计带来巨大挑战。
2021-04-19 cs.CR
Correlation-Aware Neural Networks for DDoS Attack Detection In IoT Systems
我们提出了一个全面的研究应用机器学习检测分布式拒绝服务(DDoS)攻击使用大规模的物联网(IoT)系统。虽然先前的工作和现有的DDoS攻击主要集中在单个节点以高容量传输数据包,但我们研究了使用大量物联网设备的更复杂的未来攻击,并通过让每个节点以典型的良性流量传输来伪装它们的攻击。我们引入了新的相关性感知架构,考虑到物联网节点之间流量的相关性,我们还比较了集中式和分布式检测模型的有效性。我们通过评估五种不同的神经网络模型来广泛分析所提出的架构,这些模型是在来自4060个节点的真实物联网系统的数据集上训练的。我们观察到,长短期记忆(LSTM)和基于transformer的模型,结合使用物联网节点相关信息的架构,提供了比其他模型和架构更高的性能(在F1得分和二进制精度方面),特别是当攻击者通过遵循每个传输节点上的良性流量分布来隐藏自己时。例如,通过使用LSTM模型,分布式相关性感知架构为使用良性流量进行攻击的攻击者提供了81%的F1分数,而不使用相关性信息的架构则为35%。我们还研究了选择一个子集的节点,以共享其数据的相关性感知架构,以满足资源约束的性能的算法。
2023-02-15 cs.CR
Enhancing IoT Security Against DDoS Attacks through Federated Learning
Carleton University(卡尔顿大学);Institute of Science and High Technology and Environmental Science(科学与高技术及环境科学研究所)
针对物联网DDoS攻击,提出基于联邦学习的检测框架,利用深度自编码器降维与重训练、部分选择技术,在非IID数据集N-BaIoT上验证FedAvgM优于FedAvg,实现隐私保护下的高效攻击检测。
2024-03-16 cs.AI cs.CR cs.LG
Are Trees Really Green? A Detection Approach of IoT Malware Attacks
Università degli Studi di Cagliari(卡利亚里大学);CINI, Consorzio Interuniversitario Nazionale per l’Informatica(意大利国家大学信息学联盟)
本文面向 IoT 恶意软件网络攻击,提出基于隐私保护流量统计特征的绿色检测方法,通过能耗与 Matthew 相关系数联合优化三种树模型超参数,在保持高检测性能的同时降低用电量。
2025-06-09 cs.AI cs.CR cs.NI
Cyber-attack Mitigation and Impact Analysis for Low-power IoT Devices
近年来,无线传感器设备的发展呈指数级增长,它们作为物联网的重生,以及灯泡、风扇和微波炉等无线家用设备的普及。由于它们可以用于各种领域,例如医疗设备、环境研究、消防部门或军事应用等,这些低功率设备的安全性将始终是所有用户和安全专家关注的问题。如今,用户希望通过他们的智能手机使用互联网连接来控制所有这些“智能”无线家庭设备。对这些设备的分布式攻击等攻击将使整个系统变得脆弱,因为这些攻击可以记录和提取机密信息,并增加整个网络的资源(能源)消耗。在本文中,我们提出了一种网络攻击检测算法,并提出了一个低功耗的微尘(Z1 Zolertia)作为模型物联网设备容易发起网络攻击的影响分析。我们还提出了详细的结果,功耗分析,并没有攻击,以及当入侵检测的缓解算法的实施。
2018-07-31 cs.CR
Distributed Ledger Technology for IoT: Parasite Chain Attacks
基于有向无环图(DAG)的分布式分类账在物联网领域的许多应用中都很有用。分布式账本应该作为不可变和不可逆的交易记录,然而,DAG结构是一个比区块链更复杂的数学对象,因此,提供不变性和不可逆性的保证更加复杂。在本文中,我们分析了一种常见的攻击场景,称为基于IOTA Foundation DAG的分类帐的寄生链攻击。我们使用矩阵模型分析了IOTA核心MCMC算法的有效性,并提出了一个扩展,该扩展提高了账本对这些攻击的抵抗力。
2020-11-10 cs.CR cs.DC
Cybersecurity and Frequent Cyber Attacks on IoT Devices in Healthcare: Issues and Solutions
本文综述医疗物联网设备的网络安全威胁与频繁攻击,分析漏洞根源,并提出面向研究人员、机构和安全专家的解决方案与缓解策略。
2025-01-20 cs.CR
IoT Network Security: Requirements, Threats, and Countermeasures
物联网设备越来越多地用于关键基础设施、企业和家庭。有几个复杂的网络攻击已经报告,许多网络已被证明容易受到主动和被动的攻击,泄露私人信息,允许未经授权的访问,并开放拒绝服务攻击。本文的目的首先是帮助网络运营商了解物联网网络安全解决方案的需求,其次是调查物联网网络攻击媒介、网络威胁和对策,重点是提高现有安全解决方案的鲁棒性。我们的第一个贡献强调了从制造商,服务提供商,消费者和当局等利益相关者的角度对物联网安全的观点。我们讨论了物联网和IT系统之间的差异,物联网安全解决方案的需求,并强调了物联网网络安全系统架构所需的关键组件。对于我们的第二个贡献,我们调查了物联网攻击的类型,根据它们的影响进行分组。我们讨论了各种攻击技术,威胁和现有对策的不足,旨在使未来的研究能够提高物联网网络安全性。
2020-08-21 cs.CR cs.NI
ARGUS: Context-Based Detection of Stealthy IoT Infiltration Attacks
Technical University of Darmstadt(达姆施塔特工业大学)
物联网应用领域、设备多样性和连接性正在快速增长。物联网设备控制着灵巧家庭和建筑物、智能城市和智能工厂中的各种功能,使这些设备成为攻击者的诱人目标。另一方面,不同应用场景的巨大可变性和设备的固有异构性使得可靠地检测异常物联网设备行为并将其与良性行为区分开来非常具有挑战性。现有的检测攻击的方法大多限于直接危及单个物联网设备的攻击,或者需要预定义的检测策略。它们无法检测利用IoT系统的控制平面来触发非预期/恶意上下文中的动作的攻击,例如,当灵巧家庭居民不在时打开智能锁。在本文中,我们解决了这个问题,并提出了ARGUS,这是第一个用于检测物联网环境中上下文攻击的自学习入侵检测系统,其中攻击者恶意调用物联网设备操作以达到其目标。ARGUS根据环境中IoT设备的状态和操作监控上下文设置。无监督深度神经网络(DNN)用于对典型的上下文设备行为进行建模并检测在异常上下文设置中发生的动作。这种无监督的方法确保了ARGUS不仅限于检测以前已知的攻击,而且还能够检测新的攻击。我们在异构的真实智能家居环境中评估了ARGUS,每个设置的F1分数至少为99.64%,假阳性率(FPR)最多为0.03%。
2023-02-16 cs.CR cs.LG
Graph-Based DDoS Attack Detection in IoT Systems with Lossy Network
本研究利用图卷积网络,将物联网设备建模为图节点,提出一种在有损网络环境下检测DDoS攻击的方法,实验显示F1分数高达91%,且对连接丢失具有鲁棒性。
2024-03-14 cs.CR
Towards Weaknesses and Attack Patterns Prediction for IoT Devices
本文提出一个低成本平台,采用 Bi-LSTM 预测 IoT 设备弱点并结合 GBM 预测相关攻击模式,在 NVD 等数据集上验证了高准确性与可靠性,以支持部署前安全检查。
2024-08-23 cs.CR
Detecting FDI Attack on Dense IoT Network with Distributed Filtering Collaboration and Consensus
物联网的兴起使得越来越多的个性化服务的发展成为可能,例如经常处理大量数据的工业服务。然而,随着物联网的发展,其威胁也越来越大。虚假数据注入(FDI)攻击是对物联网等数据网最有害的攻击之一。目前处理这种攻击的大多数系统都没有考虑到数据验证,特别是在数据聚类服务上。这项工作引入了CONFINIT,这是一种针对密集物联网数据传播服务的FDI攻击的入侵检测系统。它结合了看门狗监控和物联网设备之间的协作共识,以快速检测攻击者。在NS-3模拟器中对CONFINIT进行了密集工业物联网的评估,它的检测率为99%,假阴性率为3.2%,假阳性率为3.6%,在没有FDI攻击者的情况下,检测率高达35%。
2020-10-29 cs.CR cs.DC cs.NI
Multi-level trust-based intelligence schema for securing of internet of things (IoT) against security threats using cryptographic authentication
物联网(IoT)能够提供对链接的、通用的和智能的节点的预测,这些节点在提供服务时具有自主交互。由于物联网事物的广泛开放性、相对较高的处理能力和广泛分布,它们是灰洞攻击的理想选择。在灰洞攻击中,攻击者将自己伪装成到达目的地的最短路径。这会导致路由数据包无法到达目的地。该方法基于AODV路由协议,并以MTISS-IoT名称提出,这意味着使用校验节点信息减少灰洞攻击。本文提出了一种基于密码认证的混合方法。提出的方法包括四个阶段,如验证物联网中的节点信任,测试路由,灰洞攻击发现,并在MTISS-IoT恶意攻击消除过程。该方法是通过在NS-3环境中进行广泛的模拟评估。四个场景的实验结果表明,MTISS-IoT方法可以实现14.104%的误报率,17.49%的误报率,以及94.5%的检测率灰洞攻击发起。
2020-01-15 cs.CR
Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering, Polytechnic of Porto (ISEP/IPP)(先进创新与发展智能工程与计算研究组(GECAD),波尔图理工学院工程学院(ISEP/IPP))
物联网(IoT)面临着巨大的安全挑战。机器学习模型可用于应对越来越多的针对物联网系统的网络攻击变体,但对抗攻击构成的日益严重的威胁再次表明了对可靠防御策略的需求。这项工作描述了一个现实的对抗性网络攻击的例子所需的约束类型,并提出了一种方法,一个值得信赖的对抗性鲁棒性分析与现实的对抗性规避攻击向量。所提出的方法被用来评估三个监督算法,随机森林(RF),极端梯度提升(XGB),和轻梯度提升机(LGBM),和一个无监督算法,隔离森林(IFOR)。使用自适应扰动模式方法(A2PM)生成受约束的对抗性示例,并对使用常规和对抗性训练创建的模型进行规避攻击。尽管RF在二进制分类中受影响最小,但XGB在多类分类中始终达到最高的准确性。所获得的结果证明了基于树的算法和集成对对抗性规避攻击的固有敏感性,并证明了对抗性训练的好处和设计方法的安全性,以实现更强大的物联网网络入侵检测和网络攻击分类。
2023-03-03 cs.AI cs.CR cs.LG
Machine Learning based IoT Edge Node Security Attack and Countermeasures
技术的进步已经使得在开发被统称为物联网(IoT)的无处不在的计算设备的高度连接的生态系统方面取得了巨大进展。由于收集的数据的敏感性,确保物联网设备的安全性是一个高度优先事项。物理不可克隆功能(PUF)已经成为确保物联网节点安全的关键硬件原语。由于PUF架构的固有随机性质,PUF架构的恶意建模已被证明是困难的。恶意PUF建模的现有方法假设对PUF架构的先验知识和物理访问可用于对IoT节点的恶意攻击。然而,许多物联网网络都假设PUF架构在物理和数学上都具有足够的防篡改性。在这项工作中,我们表明,知识的底层PUF结构是没有必要克隆的PUF。我们提出了一种新的非侵入性的,架构独立的,机器学习攻击强PUF设计的克隆准确率为93.5%,并提高了高达48.31%的替代,两阶段的蛮干攻击模型。我们还提出了一种基于机器学习的对策,它可以区分克隆的PUF设备和真实的PUF,平均准确率为96.01%。所提出的验证可用于从云服务器远程快速验证数百万个物联网节点。
2019-09-17 cs.CR
Prediction and Detection of FDIA and DDoS Attacks in 5G Enabled IoT
第五代(5G)网络中的安全性已成为电信行业的主要关注点之一。5G安全挑战来自于5G网络涉及不同的利益相关者,使用不同的安全要求和措施。这些利益相关者之间的安全管理防御可能导致安全攻击。因此,安全解决方案应针对不同5G垂直领域(例如,工业4.0、物联网(IoT)等)。5G和完全连接的系统(如物联网)之间的相互依赖性需要一些标准的安全要求,即完整性,可用性和机密性。在本文中,我们提出了一种用于保护5G物联网网络的分层架构,以及一种用于预测和检测虚假数据注入攻击(FDIA)和分布式拒绝服务攻击(DDoS)的安全模型。该安全模型是基于马尔可夫随机过程,这是用来观察每个网络设备的行为,并采用基于范围的行为筛选策略。仿真结果证明了所提出的架构和模型在5G物联网环境下检测和预测FDIA和DDoS攻击的有效性。
2022-01-27 cs.CR
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University(韦仕敦大学)
对互联网的依赖增加以及相应的连接需求激增导致物联网(IoT)设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加,因为潜在的攻击面越来越多,最近的报告显示,物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次,增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此,需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习(ML)已经成为一种潜在的解决方案,因为物联网设备和网络生成了大量的数据。因此,它们有很大的潜力被用于物联网环境的入侵检测。为此,本文提出了一种优化的基于ML的框架,该框架由贝叶斯优化高斯过程(BO-GP)算法和决策树(DT)分类模型的组合组成,以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明,该优化框架具有较高的检测准确率、查准率、查全率和F-score,突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
Dataset: Large-scale Urban IoT Activity Data for DDoS Attack Emulation
University of Southern California(南加利福尼亚大学)
随着物联网部署在智能城市等应用中的规模不断扩大,它们面临着越来越多的网络安全威胁。特别是,正如著名的Mirai事件和其他持续威胁所证明的那样,大规模物联网设备网络特别容易被劫持并用作僵尸网络来发动分布式拒绝服务(DDoS)攻击。需要真正的大规模数据集来训练和评估深度神经网络等机器学习算法的使用,以检测和防御此类DDoS攻击。我们提出了一个来自4060个节点的城市物联网部署的数据集,描述了它们在良性条件下的时空活动。我们还提供了一个合成DDoS攻击生成器,它根据可调参数(如受攻击的节点数量和攻击持续时间)将攻击活动注入数据集。我们讨论了数据集的一些特征。我们还展示了数据集的实用性以及我们的合成DDoS攻击生成器,通过使用它们来训练和评估一个简单的多标签前馈神经网络,旨在识别哪些节点受到攻击以及何时受到攻击。
2021-10-05 cs.CR cs.LG