Verbesserung der IoT-Malware-Erkennung durch adaptive Modellparallelität und Ressourcenoptimierung

Die weit verbreitete Integration von IoT-Geräten hat die Konnektivität und Rechenkapazitäten erheblich verbessert und ermöglicht nahtlose Kommunikation über Netzwerke hinweg. Trotz ihrer globalen Verbreitung sind IoT-Geräte häufig Ziel von Sicherheitsverletzungen aufgrund von inhärenten Schwachstellen. Unter diesen Bedrohungen stellt Malware ein signifikantes Risiko für IoT-Geräte dar. Der Mangel an integrierten Sicherheitsfunktionen und begrenzte Ressourcen stellen Herausforderungen für die Implementierung effektiver Malware-Erkennungstechniken auf IoT-Geräten dar. Darüber hinaus gehen bestehende Methoden davon aus, dass auf alle Geräte-Ressourcen für die Malware-Erkennung zugegriffen werden kann, was oft nicht umsetzbar ist für IoT-Geräte, die in kritischen realen Szenarien eingesetzt werden. Um diese Herausforderung zu überwinden, führt diese Studie einen neuartigen Ansatz zur Malware-Erkennung ein, der auf IoT-Geräte zugeschnitten ist und ressourcen- und arbeitslastbewusste Ansätze inspiriert von der Modellparallelität nutzt. Zunächst bewertet das Gerät die verfügbaren Ressourcen für die Malware-Erkennung mithilfe eines leichten Regressionsmodells. Basierend auf der Verfügbarkeit von Ressourcen, der laufenden Arbeitslast und den Kommunikationskosten wird die Malware-Erkennungsaufgabe dynamisch entweder auf dem Gerät ausgeführt oder an benachbarte IoT-Knoten mit ausreichenden Ressourcen ausgelagert. Um die Datenintegrität und den Datenschutz der Benutzer zu wahren, wird anstelle der Übertragung der gesamten Malware-Erkennungsaufgabe der Klassifizierer auf mehrere Knoten aufgeteilt und verteilt, anschließend im Elterngerät zur Erkennung integriert. Experimentelle Ergebnisse zeigen, dass diese vorgeschlagene Technik eine signifikante Beschleunigung von 9,8 x im Vergleich zur Inferenz auf dem Gerät erreicht, während sie eine hohe Malware-Erkennungsgenauigkeit von 96,7 % beibehält.