[论文解读] IoT Security Techniques Based on Machine Learning

Liang Xiao, Xiaoyue Wan+3 more|arXiv (Cornell University)|Jan 19, 2018

Network Security and Intrusion Detection参考文献 23被引用 74

一句话总结

本文回顾了机器学习（监督学习、无监督学习和强化学习）如何增强物联网安全，涵盖身份验证、访问控制、安全卸载和恶意软件检测，并讨论了实际挑战。

ABSTRACT

Internet of things (IoT) that integrate a variety of devices into networks to provide advanced and intelligent services have to protect user privacy and address attacks such as spoofing attacks, denial of service attacks, jamming and eavesdropping. In this article, we investigate the attack model for IoT systems, and review the IoT security solutions based on machine learning techniques including supervised learning, unsupervised learning and reinforcement learning. We focus on the machine learning based IoT authentication, access control, secure offloading and malware detection schemes to protect data privacy. In this article, we discuss the challenges that need to be addressed to implement these machine learning based security schemes in practical IoT systems.

研究动机与目标

• 在资源受限设备中，出于伪装、DoS/DDoS、干扰、窃听和隐私泄露等因素，激发对物联网安全需求的动机。
• 综述ML-based approaches for IoT authentication, access control, secure offloading, and malware detection.
• 分析异构物联网网络中安全性能与开销之间的权衡。
• 讨论在实现基于ML的物联网安全方面的实际挑战和未来方向。

提出的方法

• 将物联网安全问题分为身份验证、访问控制、安全卸载和恶意软件检测。
• 总结应用于每个安全领域的监督、无监督和强化学习技术。
• 提供示例技术（SVM、Naive Bayes、K-NN、神经网络、RF；IGMM；Q-learning、Dyna-Q、PDS、DQN）。
• 突出性能度量和引文工作中的报告收益（例如检测/准确性、能量、时延）。
• 讨论实际挑战，包括状态估计、开销以及对备份机制的需求。

实验结果

研究问题

• RQ1 哪些ML技术可应用于物联网的身份验证、访问控制、安全卸载和恶意软件检测？
• RQ2 基于ML的物联网安全方法在准确性、时延和能耗方面的表现如何？
• RQ3 在实际物联网系统中部署基于ML的安全性的主要挑战是什么，提出了哪些解决方案？
• RQ4 强化学习如何在动态物联网攻击场景下调整安全参数？

主要发现

• 使用RL进行物理层认证可以优化阈值并提升认证效用。
• 无监督的IGMM和多变量分析可以提升伪装检测和基于接近度的身份验证。
• ML方法（SVM、K-NN、RF、DNN）在入侵和恶意软件检测方面提供有效的准确性差异。
• Q-learning及其扩展在对抗干扰的卸载和卸载决策中有所提升。
• 与基础Q-learning相比，Dyna-Q和PDS在恶意软件检测的时延和准确性方面有所提升。
• 轻量级ML方法（如dFW、IAG）相较于传统方案可以降低开销。