論文の概要: LiteAtt: Secure and Seamless IoT Services Using TinyML-based Self-Attestation as a Primitive
- arxiv url: http://arxiv.org/abs/2603.19727v1
- Date: Fri, 20 Mar 2026 08:10:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.04764
- Title: LiteAtt: Secure and Seamless IoT Services Using TinyML-based Self-Attestation as a Primitive
- Title（参考訳）: LiteAtt: TinyMLベースのSelf-Attestationをプリミティブとして使用したセキュアでシームレスなIoTサービス
- Authors: Varun Kohli, Biplab Sikdar,
- Abstract要約: LiteAttは、IoT MCUのArm TrustZoneにおけるTinyML実行に基づいた、検証不要でハイブリッドなセルフアテステーションフレームワークである。
LiteAttの平均精度は98.7%、F1スコア99.33%、TPR98.72%、TNR97.45%である。
- 参考スコア（独自算出の注目度）: 8.605599020846485
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As the Internet of Things (IoT) becomes an integral part of critical infrastructure, smart cities, and consumer networks, there has been an increase in the number of software attacks on the microcontrollers (MCUs) that constitute such networks. Runtime firmware attestation, i.e., the verification of a firmware's integrity, has become instrumental, and prior work focuses on lightweight IoT MCUs, offloading the verification task to capable remote verifiers. However, modern IoT devices feature large flash and volatile memory, on-device TinyML inference, and Trusted Execution Environments (TEE). Leveraging these capabilities, this paper presents a verifier-less, hybrid Self-Attestation (SA) framework called LiteAtt, which is based on TinyML execution in the Arm TrustZone of an IoT MCU for quick, on-device evaluation of the IoT firmware's SRAM footprint. LiteAtt takes a step towards ubiquitous intelligence and decentralized trust in IoT networks. It eliminates the need for firmware copies for attestation, and protects the privacy of user SRAM data by leveraging twin devices to train the TinyML models. The proposed framework achieves an average accuracy of 98.7%, F1 score of 99.33%, TPR of 98.72%, and TNR of 97.45% on SRAM attestation datasets collected from real devices. LiteAtt operates with a latency of 1.29ms, an energy consumption of 42.79uJ, and a runtime memory overhead of up to 32KB, which is suitable for battery-operated Arm Cortex-M devices. A security analysis is provided for the protocol regarding mutual authentication, confidentiality, integrity, SRAM privacy, and defense against replay and impersonation attacks. Practical deployment scenarios and future works are also discussed.
- Abstract（参考訳）: IoT(Internet of Things)が重要なインフラストラクチャやスマートシティ、コンシューマネットワークの不可欠な部分になるにつれ、そのようなネットワークを構成するマイクロコントローラ(MCU)に対するソフトウェアアタックの数が増加している。
ファームウェアの完全性を検証する実行時ファームウェアの検証は役に立ち、以前の作業は軽量なIoT MCUに焦点を当て、検証タスクを有能な遠隔検証にオフロードした。
しかし、現代のIoTデバイスは大きなフラッシュと揮発性メモリ、デバイス上のTinyML推論、Trusted Execution Environments(TEE)を備えている。
これらの機能を活用して、IoTファームウェアのSRAMフットプリントを迅速かつオンデバイスで評価するためのIoT MCUのArm TrustZoneにおけるTinyML実行に基づいて、LiteAttと呼ばれる検証不要でハイブリッドなSelf-Attestation(SA)フレームワークを提案する。
LiteAttは、IoTネットワークにおけるユビキタスインテリジェンスと分散信頼への一歩を踏み出した。
認証のためのファームウェアコピーの必要性を排除し、TinyMLモデルのトレーニングにツインデバイスを活用することで、ユーザのSRAMデータのプライバシを保護する。
提案したフレームワークは、平均精度98.7%、F1スコア99.33%、TPR98.72%、TNR97.45%を実機から収集したSRAM認証データセットで達成している。
LiteAttは1.29msのレイテンシ、42.79uJのエネルギー消費、32KBまでのランタイムメモリオーバーヘッドで動作する。
相互認証、機密性、完全性、SRAMプライバシ、リプレイおよび偽装攻撃に対する防御に関するプロトコルについて、セキュリティ分析を行う。
実際のデプロイメントシナリオや今後の作業についても論じる。
関連論文リスト
- FAARM: Firmware Attestation and Authentication Framework for Mali GPUs [0.463928297802265]
最近の研究で、GPU Trusted Execution Environments(TEEs)に侵入する最初の実用的な攻撃であるMOLEが明らかにされた。
本稿では,MOLEスタイルのファームウェアのサブバージョンを防止する軽量で暗号的なフレームワークであるFAARMを提案する。
FAARMは悪意のあるファームウェアインジェクションを確実に検出し、ブロックし、使用前に改ざんされたイメージを拒否し、検査後の試行を拒否する。
論文 参考訳（メタデータ） (2025-10-26T07:46:27Z) - Empowering IoT Firmware Secure Update with Customization Rights [15.500229921783257]
私たちは、23ベンダにわたる200のLinuxベースのIoTデバイスのアップデートに関するパイロット研究を行います。
2020年から2024年にかけて行われたアップデート関連のCVEのより広範な分析によると、半数以上がカスタマイズによる問題に起因する。
信頼性の高いクロスモジュール整合性チェーンの構築と,大量カスタマイズによる更新パフォーマンスのスケールアップという,2つの主要な課題に対処する最初のフレームワークであるIMUPを提案する。
論文 参考訳（メタデータ） (2025-07-25T15:17:29Z) - Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。
当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。
この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
論文 参考訳（メタデータ） (2025-04-22T09:40:05Z) - Swarm-Net: Firmware Attestation in IoT Swarms using Graph Neural Networks and Volatile Memory [10.970843729732703]
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。
論文 参考訳（メタデータ） (2024-08-11T03:19:29Z) - Is Your Kettle Smarter Than a Hacker? A Scalable Tool for Assessing Replay Attack Vulnerabilities on Consumer IoT Devices [1.5612101323427952]
ENISAとNISTのセキュリティガイドラインは、安全と信頼性のためのデフォルトのローカル通信を可能にすることの重要性を強調している。
我々はREPLIOTというツールを提案し、ターゲットデバイスについて事前の知識を必要とせずに、リプレイ攻撃が成功したかどうかを検証できる。
残りの75%のデバイスは、検出精度0.98-1のREPLIOTによるリプレイ攻撃に対して脆弱であることがわかった。
論文 参考訳（メタデータ） (2024-01-22T18:24:41Z) - IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways [45.44831696628473]
本稿では,IoTゲートウェイとホームオートメーションプラットフォームがIoTトラフィックのキャプチャと分析を行うことを可能にする,オープンソースの法医学ツールであるIoTScentを紹介する。
IoTScentは特に、Zigbeeや6LoWPAN、Threadといった多くのIoT固有のプロトコルの基礎であるIEEE5.4ベースのトラフィックを操作するように設計されている。
この作業は、Zigbeeトラフィックからデバイス識別を実行するためのツールの使用を実証する実用的なユースケースを含む、IoTScentツールの包括的な説明を提供する。
論文 参考訳（メタデータ） (2023-10-05T09:10:05Z) - SyzTrust: State-aware Fuzzing on Trusted OS Designed for IoT Devices [67.65883495888258]
我々は、リソース制限されたTrusted OSのセキュリティを検証するための、最初の状態認識ファジィフレームワークであるSyzTrustを紹介する。
SyzTrustはハードウェア支援フレームワークを採用し、IoTデバイス上でTrusted OSを直接ファジングできるようにする。
我々は、Samsung、Tsinglink Cloud、Ali Cloudの3つの主要なベンダーからSyzTrust on Trusted OSを評価した。
論文 参考訳（メタデータ） (2023-09-26T08:11:38Z) - IoT Device Identification Based on Network Communication Analysis Using
Deep Learning [43.0717346071013]
組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。
この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。
本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
論文 参考訳（メタデータ） (2023-03-02T13:44:58Z) - A TinyML Platform for On-Device Continual Learning with Quantized Latent
Replays [66.62377866022221]
Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。
10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。
これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
論文 参考訳（メタデータ） (2021-10-20T11:01:23Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳（メタデータ） (2020-02-25T12:24:49Z)
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。