Key points are not available for this paper at this time.
في أوائل عام 2023، شهدت الهجمات السيبرانية ارتفاعًا كبيرًا بسبب البرمجيات الضارة غير المعروفة (يوم الصفر) التي تستهدف أجهزة إنترنت الأشياء (IoT). لمواجهة تحدي الكشف عن يوم الصفر في بيئة إنترنت الأشياء التي تعاني من قيود كبيرة في الموارد، نقترح تصميمًا جديدًا يستخدم تحليل قناة الطاقة الجانبية الدقيقة مع تقنيات التعلم العميق. يقدم نهجنا مفهومًا مبتكرًا يسمى استخراج الميزات متعددة المقاييس لتحديد أكثر ميزات البرمجيات الضارة تمثيلاً عبر معمارية متنوعة، مما يعزز أداء الكشف القائم على التعلم العميق ضد البرمجيات الضارة ذات يوم الصفر. على وجه التحديد، نستخدم تحليل قناة الطاقة الجانبية الدقيقة لأكثر من 120,000 ملف برمجيات ضارة تم جمعها من نظام فخ عبر هرم من الأوامر، والوظائف، والوحدات لتحديد سلوكيات البرمجيات الضارة الفريدة ليوم الصفر. مع هذه الميزات المحددة لتدريب نموذجنا، تحسن أداء ZeroD-fender بشكل ملحوظ في كشف البرمجيات الضارة ذات يوم الصفر. في سعي للكشف على الجهاز، نقدم إطار تخصيص استدلال عبر الإنترنت معتمد على الموارد. يتميز هذا الإطار بشبكتنا خفيفة الوزن، ThingNetV2، التي تستخدم تجزئة عمقية محددة للأبعاد مع تفعيل h-swish، مما يؤدي إلى توفير موارد كبير. من خلال تطبيق تحليل الطاقة الدقيقة، يظهر ZeroD-fender معدل كشف يبلغ 95.88% عبر برمجيات ضارة ليوم الصفر لمعماريات متنوعة، محققًا سرعات كشف تتراوح بين 16.083 مللي ثانية و 23.961 مللي ثانية، اعتمادًا على السيناريو المحدد.
Li et al. (Sat,) درسوا هذا السؤال.