[论文解读] 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 49

一句话总结

6thSense 是一种上下文感知的、基于机器学习的入侵检测系统，用于智能设备，通过监控传感器数据模式来检测恶意行为，在识别基于传感器的攻击（如数据泄露、恶意软件触发和侧通道监听）方面准确率超过96%，且在安卓设备上的性能开销极低。

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.

研究动机与目标

• 应对智能设备上日益增长的基于传感器的攻击威胁，这些攻击利用加速度计、陀螺仪和光线传感器等传感器进行数据外泄、恶意软件触发或侧通道通信。
• 克服安卓系统中现有基于权限的传感器访问控制机制的局限性，这些机制无法限制非敏感传感器（如运动传感器）的访问，且缺乏运行时监控能力。
• 开发一种全面的、与设备无关的入侵检测系统，无需修改操作系统或应用层权限即可运行。
• 实现对复杂、上下文感知的恶意软件的检测，该类恶意软件通过分析不同用户活动下的传感器相关性模式来模仿正常用户行为。

提出的方法

• 通过让50名用户在安卓智能手机上执行九种典型日常活动（如打字、驾驶、拨打电话）来实时收集传感器数据，构建上下文感知模型。
• 使用三种机器学习模型——马尔可夫链、朴素贝叶斯和LMT（逻辑模型树）——来学习并分类每种用户活动下的正常传感器行为模式。
• 通过关联多传感器数据流，检测与预期上下文行为不符的传感器使用异常，例如在空闲状态下出现意外的传感器激活。
• 实施运行时监控，将实时传感器数据与学习到的行为特征进行比对，将偏差标记为潜在攻击。
• 通过优化传感器采样频率和模型推理效率，使系统以最小的性能开销运行。
• 在应用层集成该框架，无需操作系统级别的修改，也无需用户对传感器访问进行显式授权。

实验结果

研究问题

• RQ1 基于上下文感知的、基于机器学习的入侵检测系统能否有效检测绕过安卓设备传统基于权限的访问控制机制的基于传感器的攻击？
• RQ2 传感器相关性模式的建模精度如何，能否有效区分良性用户活动与恶意的传感器滥用？
• RQ3 6thSense在多大程度上能够检测到此前未被发现的基于传感器的威胁，例如通过光线传感器触发的恶意软件或通过运动传感器进行的数据外泄？
• RQ4 该系统在检测能够跨多个传感器模仿正常用户行为的隐蔽、上下文感知型恶意软件方面表现如何？

主要发现

• 在真实用户数据上评估时，6thSense在三种机器学习模型（马尔可夫链、朴素贝叶斯和LMT）上的平均检测准确率均超过96%。
• 该框架成功检测到三种不同的基于传感器的威胁：通过光线传感器触发的恶意软件、通过运动传感器造成的信息泄露，以及通过传感器侧通道进行的监听。
• VirusTotal扫描结果显示，实验室制作的基于传感器的恶意软件被62台扫描器中的58至59台未检测到，验证了这些攻击的隐蔽性，也凸显了行为检测的必要性。
• 6thSense有效检测到模仿正常用户行为的上下文感知型恶意软件，证明其能够识别传感器使用模式中的细微偏差。
• 该系统引入的性能开销极小，使其在资源受限的智能设备（如智能手机）上具有实际部署的可行性。
• 该框架优于现有解决方案，能够覆盖受权限限制和不受权限限制的传感器（包括运动传感器和光线传感器），且无需操作系统级别的修改。