[论文解读] Aegis: A Context-aware Security Framework for Smart Home Systems

Amit Kumar Sikder, Leonardo Babun+2 more|arXiv (Cornell University)|Oct 9, 2019

Advanced Malware Detection Techniques参考文献 27被引用 14

一句话总结

Aegis 是一种上下文感知的安全框架，通过分析用户活动期间设备和传感器状态转换来检测智能家居系统中的恶意行为，构建上下文模型以区分良性与恶意行为。在多个真实智能家居环境中的评估显示，Aegis 在检测五种不同类型的威胁时准确率超过95%，性能开销极低，实现了强大且可部署的运行时安全机制，无需修改源代码或依赖用户策略。

ABSTRACT

Our everyday lives are expanding fast with the introduction of new Smart Home Systems (SHSs). Today, a myriad of SHS devices and applications are widely available to users and have already started to re-define our modern lives. Smart home users utilize the apps to control and automate such devices. Users can develop their own apps or easily download and install them from vendor-specific app markets. App-based SHSs offer many tangible benefits to our lives, but also unfold diverse security risks. Several attacks have already been reported for SHSs. However, current security solutions consider smart home devices and apps individually to detect malicious actions rather than the context of the SHS as a whole. The existing mechanisms cannot capture user activities and sensor-device-user interactions in a holistic fashion. To address these issues, in this paper, we introduce Aegis, a novel context-aware security framework to detect malicious behavior in a SHS. Specifically, Aegis observes the states of the connected smart home entities (sensors and devices) for different user activities and usage patterns in a SHS and builds a contextual model to differentiate between malicious and benign behavior. We evaluated the efficacy and performance of Aegis in multiple smart home settings (i.e., single bedroom, double bedroom, duplex) with real-life users performing day-to-day activities and real SHS devices. We also measured the performance of Aegis against five different malicious behaviors. Our detailed evaluation shows that Aegis can detect malicious behavior in SHS with high accuracy (over 95%) and secure the SHS regardless of the smart home layout, device configuration, installed apps, and enforced user policies. Finally, Aegis achieves minimum overhead in detecting malicious behavior in SHS, ensuring easy deployability in real-life smart environments.

研究动机与目标

• 为应对基于应用的智能家居系统（SHSs）因恶意应用和设备被攻破而带来的日益增长的安全风险。
• 克服现有解决方案仅孤立分析设备或应用、而非结合用户活动与系统级交互上下文的局限性。
• 开发一种无需访问源代码或用户定义策略的运行时、基于行为的检测系统。
• 确保在多样化智能家居布局、设备配置和用户策略下实现高检测准确率。
• 通过避免存储原始用户数据，最小化系统开销并保护用户隐私。

提出的方法

• Aegis 通过观察用户活动期间传感器和设备的实时状态变化（启用/禁用）来捕获上下文行为模式。
• 通过将设备和传感器激活序列与特定用户操作（例如，从卧室移动到走廊）相关联，构建上下文模型。
• 利用传感器事件与设备响应之间的时序和空间相关性（例如，移动传感器触发灯光）来验证预期行为。
• 在不需修改源代码或设备插桩的情况下，对设备行为模式进行运行时分析。
• Aegis 从中央接入点聚合数据，实现对异构智能家居设备的可扩展监控。
• 系统应用机器学习技术，基于与学习到的上下文规范的偏差，对行为进行良性或恶意分类。

实验结果

研究问题

• RQ1 如何通过利用用户活动上下文而非孤立分析设备或应用，有效检测智能家居系统中的恶意行为？
• RQ2 在真实智能家居环境中，通过实时建模传感器-设备-用户交互序列，可实现多高的检测准确率？
• RQ3 上下文感知框架是否能在无需用户输入或策略配置的情况下，保持在多样化智能家居布局、设备配置和用户策略下的高性能检测能力？
• RQ4 与现有的取证或静态分析方法相比，Aegis 在系统开销和隐私保护方面表现如何？
• RQ5 Aegis 在缺乏攻击特征签名先验知识的情况下，能够检测多种不同类型恶意行为的程度如何？

主要发现

• Aegis 在多个真实智能家居环境中（包括单间卧室、双人卧室和复式布局）的恶意行为检测中，准确率和F1值均超过95%。
• 该框架成功检测出五类不同的恶意行为，包括拒绝服务攻击、未授权访问和数据外泄攻击。
• 无论智能家居布局、用户数量或实施的用户策略如何，Aegis 均能保持高性能检测，展现出强大的泛化能力。
• 系统引入的运行时开销极低，适合在真实智能家居环境中部署。
• Aegis 不存储来自智能家居设备的用户数据，与以往基于日志的方案相比，显著降低了隐私风险。
• 该框架无需访问源代码或进行修改，可直接部署在现有智能家居平台（如三星SmartThings）上。