[論文レビュー] 6thSense: A Context-aware Sensor-based Attack Detector for Smart Devices

Amit Kumar Sikder, Hidayet Aksu+1 more|arXiv (Cornell University)|Jun 30, 2017

Advanced Malware Detection Techniques参考文献 55被引用数 49

ひとこと要約

6thSense は、スマートデバイスのセンサー データ パターンを監視して悪意ある行動を検出する、文脈に配慮した機械学習ベースのインシデント検出システムであり、データ漏洩、マルウェアの起動、サイドチャネル盗聴などのセンサー攻撃を 96% 以上の精度で検出でき、Android デバイスにおけるパフォーマンスのオーバーヘッドを最小限に抑える。

ABSTRACT

Sensors (e.g., light, gyroscope, accelerotmeter) and sensing enabled applications on a smart device make the applications more user-friendly and efficient. However, the current permission-based sensor management systems of smart devices only focus on certain sensors and any App can get access to other sensors by just accessing the generic sensor API. In this way, attackers can exploit these sensors in numerous ways: they can extract or leak users' sensitive information, transfer malware, or record or steal sensitive information from other nearby devices. In this paper, we propose 6thSense, a context-aware intrusion detection system which enhances the security of smart devices by observing changes in sensor data for different tasks of users and creating a contextual model to distinguish benign and malicious behavior of sensors. 6thSense utilizes three different Machine Learning-based detection mechanisms (i.e., Markov Chain, Naive Bayes, and LMT) to detect malicious behavior associated with sensors. We implemented 6thSense on a sensor-rich Android smart device (i.e., smartphone) and collected data from typical daily activities of 50 real users. Furthermore, we evaluated the performance of 6thSense against three sensor-based threats: (1) a malicious App that can be triggered via a sensor (e.g., light), (2) a malicious App that can leak information via a sensor, and (3) a malicious App that can steal data using sensors. Our extensive evaluations show that the 6thSense framework is an effective and practical approach to defeat growing sensor-based threats with an accuracy above 96% without compromising the normal functionality of the device. Moreover, our framework costs minimal overhead.

研究の動機と目的

• センサー（加速度計、ジャイロスコープ、光センサーなど）を悪用してデータ漏洩、マルウェアの起動、サイドチャネル通信を行う、スマートデバイスにおけるセンサー攻撃の増加する脅威に対処すること。
• Android の従来の権限ベースのセンサー アクセス制御に欠ける点を克服すること。具体的には、非機密センサー（例：運動センサー）の制限が不十分であり、実行時監視が欠如している点を改善すること。
• OS やアプリレベルの権限変更を必要としない、包括的でデバイスに依存しないインシデント検出システムを構築すること。
• 複数のセンサーを介して正常なユーザー行動を模倣する、洗練された文脈に配慮したマルウェアを検出可能にするために、異なるユーザー行動におけるセンサー相関パターンを分析すること。

提案手法

• Android スマartフォンで 50 名のユーザーが 9 つの一般的な日常行動（例：メッセージ入力、運転、通話）を実行する際のリアルタイムのセンサー データを収集し、文脈に配慮したモデルを構築する。
• マーカフ連鎖、ナイーブベイズ、LMT（ロジスティック モデルツリー）の 3 つの機械学習モデルを用いて、ユーザー行動ごとの正常なセンサー行動パターンを学習・分類する。
• 複数のセンサー データストリームを相関させ、予期しない文脈的行動（例：アイドル状態での予期しないセンサー起動）と逸脱するセンサー使用の異常を検出する。
• 実行時監視を実装し、ライブのセンサー データを学習済み行動プロファイルと比較し、乖離を示すものを潜在的な攻撃としてマークする。
• センサーのサンプリング周波数とモデル推論効率の最適化により、パフォーマンスのオーバーヘッドを最小限に抑えることで、実行時の軽量性を確保する。
• OS の変更やセンサー アクセスの明示的同意を必要とせず、アプリケーション層に統合されたフレームワークを設計する。

実験結果

リサーチクエスチョン

• RQ1 文脈に配慮した機械学習ベースの IDS は、Android デバイスにおける従来の権限ベースのアクセス制御を回避するセンサー攻撃を効果的に検出できるか？
• RQ2 センサー相関パターンをどれほど正確にモデル化できるか。これは、悪意あるセンサーの悪用と良性のユーザー行動を区別する能力にかかわる。
• RQ3 6thSense は、光センサーを介してマルウェアが起動される、または運動センサーを介してデータ漏洩が行われるなど、以前に検出されていなかったセンサー攻撃をどの程度検出できるか？
• RQ4 複数のセンサーにわたって正常なユーザー行動を模倣する、洗練された文脈に配慮したマルウェアを検出する際、このシステムの性能はいかがなものか？

主な発見

• 6thSense は、実際のユーザー データを用いた評価において、3 つの機械学習モデル（マーカフ連鎖、ナイーブベイズ、LMT）の平均検出精度が 96% を超えた。
• フレームワークは、光センサーを介したマルウェア起動、運動センサーによる情報漏洩、センサーのサイドチャネルを介した盗聴という 3 つの異なるセンサー攻撃を正常に検出した。
• VirusTotal のスキャン結果から、研究室で作成したセンサー攻撃用マルウェアは 62 台のスキャナーのうち 58〜59 台で検出されず、攻撃の巧妙さと、行動ベースの検出手法の必要性を裏付けた。
• 6thSense は、正常なユーザー行動を模倣する文脈に配慮したマルウェアを効果的に検出でき、センサー使用パターンにおける微細な乖離を同定できる能力を示した。
• システムは最小限のパフォーマンス オーバーヘッドを発生させ、スマートフォンのようなリソース制限のあるスマートデバイスへの実装に実用的である。
• OS の変更を要せず、権限制限付き・非制限付きの両方のセンサー（運動センサーや光センサーなど）をカバーできる点で、既存のソリューションを上回る性能を発揮した。