論文の概要: Swarm-Net: Firmware Attestation in IoT Swarms using Graph Neural Networks and Volatile Memory

• arxiv url: http://arxiv.org/abs/2408.05680v1
• Date: Sun, 11 Aug 2024 03:19:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 16:07:35.536048
• Title: Swarm-Net: Firmware Attestation in IoT Swarms using Graph Neural Networks and Volatile Memory
• Title（参考訳）: Swarm-Net: グラフニューラルネットワークと揮発性メモリを用いたIoT Swarmにおけるファームウェアの検証
• Authors: Varun Kohli, Bhavya Kohli, Muhammad Naveed Aman, Biplab Sikdar,
• Abstract要約: IoT(Internet of Things)は、数十億もの相互接続された、主にローエンドの組み込みデバイスからなるネットワークである。 大規模なデプロイメントにもかかわらず、研究はIoTネットワークにおける重要なセキュリティ上の懸念を強調している。 Swarm内のあるノードの悪意あるアクティビティは、より大きなネットワークセクションに伝播することができる。 Swarm-Netは、IoTネットワーク固有の、相互接続されたグラフのような構造を利用する、新しいSwarm attestationテクニックである。
• 参考スコア（独自算出の注目度）: 10.970843729732703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of Things (IoT) is a network of billions of interconnected, primarily low-end embedded devices. Despite large-scale deployment, studies have highlighted critical security concerns in IoT networks, many of which stem from firmware-related issues. Furthermore, IoT swarms have become more prevalent in industries, smart homes, and agricultural applications, among others. Malicious activity on one node in a swarm can propagate to larger network sections. Although several Remote Attestation (RA) techniques have been proposed, they are limited by their latency, availability, complexity, hardware assumptions, and uncertain access to firmware copies under Intellectual Property (IP) rights. We present Swarm-Net, a novel swarm attestation technique that exploits the inherent, interconnected, graph-like structure of IoT networks along with the runtime information stored in the Static Random Access Memory (SRAM) using Graph Neural Networks (GNN) to detect malicious firmware and its downstream effects. We also present the first datasets on SRAM-based swarm attestation encompassing different types of firmware and edge relationships. In addition, a secure swarm attestation protocol is presented. Swarm-Net is not only computationally lightweight but also does not require a copy of the firmware. It achieves a 99.96% attestation rate on authentic firmware, 100% detection rate on anomalous firmware, and 99% detection rate on propagated anomalies, at a communication overhead and inference latency of ~1 second and ~10^{-5} seconds (on a laptop CPU), respectively. In addition to the collected datasets, Swarm-Net's effectiveness is evaluated on simulated trace replay, random trace perturbation, and dropped attestation responses, showing robustness against such threats. Lastly, we compare Swarm-Net with past works and present a security analysis.
• Abstract（参考訳）: IoT(Internet of Things)は、数十億もの相互接続された、主にローエンドの組み込みデバイスからなるネットワークである。 大規模なデプロイメントにもかかわらず、研究はIoTネットワークにおける重要なセキュリティ上の懸念を強調している。 さらにIoTSwarmは、業界やスマートホーム、農業アプリケーションなどで広く普及している。 Swarm内のあるノードの悪意あるアクティビティは、より大きなネットワークセクションに伝播することができる。 いくつかのRemote Attestation (RA)技術が提案されているが、そのレイテンシ、可用性、複雑さ、ハードウェアの仮定、知的財産権(IP)の下でのファームウェアコピーへの不確実なアクセスによって制限されている。 我々は、GNN(Graph Neural Networks)を使用して静的ランダムアクセスメモリ(SRAM)に格納されたランタイム情報とともに、IoTネットワークの固有で相互接続されたグラフのような構造を利用して、悪意のあるファームウェアとその下流効果を検出する新しいSwarm-Netを提案する。 また,異なる種類のファームウェアとエッジ関係を含むSRAMベースのSwarm証明に関する最初のデータセットも提示する。 また、セキュアなSwarm認証プロトコルが提示される。 Swarm-Netは計算量的に軽量であるだけでなく、ファームウェアのコピーも必要としない。 正当性のあるファームウェアで99.96%、異常なファームウェアで100%、プロパゲーションされた異常で99%、通信オーバーヘッドと推論遅延でそれぞれ1秒から10〜5秒(ラップトップCPUで)を達成した。 収集したデータセットに加えて、Swarm-Netの有効性は、シミュレーションされたトレースリプレイ、ランダムなトレース摂動、投下されたテスト応答に基づいて評価され、そのような脅威に対して堅牢性を示す。 最後に、Swarm-Netを過去の作業と比較し、セキュリティ分析を示す。

関連論文リスト

• Enhancing IoT Malware Detection through Adaptive Model Parallelism and Resource Optimization [0.6856683556201506]
  本研究では,IoTデバイスに適したマルウェア検出手法を提案する。 リソースの可用性、進行中のワークロード、通信コストに基づいて、マルウェア検出タスクはデバイス上で動的に割り当てられるか、隣接するIoTノードにオフロードされる。 実験結果から,本手法はデバイス上での推測に比べて9.8倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T20:51:25Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
  フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。 本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
  論文  参考訳（メタデータ） (2023-06-08T13:11:20Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
  ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。 ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
  論文  参考訳（メタデータ） (2022-05-25T11:08:20Z)
• Collaborative adversary nodes learning on the logs of IoT devices in an IoT network [0.0]
  データの観点からIoTセキュリティのための改良されたアプローチを提案する。 Recurrent Neural Network (RNN) を用いたAdLIoTLogモデルの提案 その結果,AdLIoTLogモデルの予測性能は攻撃の有無で3～4%低下した。
  論文  参考訳（メタデータ） (2021-12-22T02:56:22Z)
• A Survey of Machine Learning Algorithms for Detecting Malware in IoT Firmware [0.0]
  本稿では、IoTファームウェアの分類に機械学習アルゴリズムを多数使用し、最高のパフォーマンスモデルについて報告する。 ConvolutionalやFully Connected Neural Networksといったディープラーニングアプローチも検討されている。
  論文  参考訳（メタデータ） (2021-11-03T17:55:51Z)
• Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
  エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
  論文  参考訳（メタデータ） (2021-02-03T04:24:34Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• Anomalous Communications Detection in IoT Networks Using Sparse Autoencoders [0.0]
  スパースオートエンコーダを用いて,IoTネットワークにおける異常なネットワーク通信を検出する手法を提案する。 提案手法により、悪意のある通信を正当な通信と区別することができる。 Nの値に依存すると、開発モデルは86.9%から91.2%の攻撃検出率と0.1%から0.5%の偽陽性率を達成する。
  論文  参考訳（メタデータ） (2019-12-26T10:47:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。