[论文解读] Identifying and Modeling Security Threats for IoMT Edge Network using Markov Chain and Common Vulnerability Scoring System (CVSS)

Maha Ali Allouzi, Javed Khan|arXiv (Cornell University)|Apr 23, 2021

IoT and Edge/Fog Computing参考文献 7被引用 7

一句话总结

本文提出了一种混合威胁建模框架，用于物联网医疗（IoMT）边缘网络，通过将马尔可夫链与通用漏洞评分系统（CVSS）相结合，量化并预测安全威胁概率。该框架定义了攻击向量，识别了IoMT边缘基础设施中的漏洞，并利用马尔可夫转移矩阵计算威胁概率分布，从而实现对患者数据安全的主动风险评估。

ABSTRACT

In this work, we defined an attack vector for networks utilizing the Internet of Medical Things (IoMT) devices and compute the probability distribution of IoMT security threats based on Markov chain and Common Vulnerability Scoring System (CVSS). IoMT is an emerging technology that improves patients' quality of life by permitting personalized e-health services without restrictions on time and site. The IoMT consists of embedded objects, sensors, and actuators that transmit and receive medical data. These Medical devices are vulnerable to different types of security threats, and thus, they pose a significant risk to patient's privacy and safety. Because security is a critical factor for successfully merging IoMT into pervasive healthcare systems, there is an urgent need for new security mechanisms to prevent threats on the IoMT edge network. Toward this direction, the first step is defining an attack vector that an attacker or unauthorized user can take advantage of to penetrate and tamper with medical data. In this article, we specify a threat model for the IoMT edge network. We identify any vulnerabilities or weaknesses within the IoMT network that allow unauthorized privileges and threats that can utilize these weaknesses to compromise the IoMT edge network. Finally, we compute the probability distribution of IoMT threats based on the Markov transition probability matrix.

研究动机与目标

• 为应对医疗设备漏洞日益增加所导致的IoMT边缘网络中对主动安全机制的迫切需求。
• 定义一个全面的攻击向量，以利用IoMT边缘基础设施中的弱点实现未授权访问和数据篡改。
• 识别出损害IoMT系统中患者隐私与安全的具体漏洞和威胁。
• 使用基于马尔可夫链的概率分布对安全威胁的动态演化过程进行建模。
• 将CVSS评分与马尔可夫建模相结合，对威胁可能性进行定量评估，并优先制定缓解策略。

提出的方法

• 本研究基于识别出的攻击向量和系统弱点，构建了IoMT边缘网络的威胁模型。
• 利用CVSS对IoMT设备和网络组件中的漏洞进行严重性评分，并映射到潜在的威胁场景。
• 构建马尔可夫链，其中状态代表威胁等级或攻击阶段，转移概率基于CVSS加权的威胁可能性得出。
• 使用马尔可夫转移概率矩阵计算网络中安全威胁的长期概率分布。
• 利用CVSS评分对威胁概率进行加权，确保高严重性漏洞对转移动态产生更大影响。
• 该框架通过基于概率状态转移的威胁演化模拟，实现动态风险评估。

实验结果

研究问题

• RQ1 如何为IoMT边缘网络定义一个全面的攻击向量，以利用系统漏洞？
• RQ2 哪些是损害IoMT边缘系统中患者数据机密性和完整性的关键漏洞与威胁向量？
• RQ3 如何有效将CVSS评分与马尔可夫链建模相结合，以量化威胁概率？
• RQ4 安全威胁在IoMT边缘网络中的时间概率分布结果如何？
• RQ5 所提出的模型在多大程度上能够预测并优先处理高风险威胁场景，以实现主动防御？

主要发现

• 所提出的框架成功利用带有CVSS加权转移概率的马尔可夫链，对IoMT边缘网络中安全威胁的动态演化过程进行了建模。
• 将CVSS评分整合到马尔可夫模型中，实现了基于严重性的威胁优先级排序，显著提升了风险评估的准确性。
• 随时间推移计算出威胁的概率分布，揭示了针对关键IoMT组件的高概率攻击路径。
• 该模型识别出传感器、执行器和通信协议中的特定漏洞为主要攻击入口点。
• 该框架为预测威胁演化提供了定量依据，支持电子健康系统中的主动安全加固。
• 结果表明，高严重性漏洞显著提高了攻击成功的可能性，验证了模型对CVSS评分的敏感性。