Key points are not available for this paper at this time.
2023년 초, 사이버 공격은 IoT(사물인터넷) 장치를 겨냥한 알려지지 않은(제로 데이) 악성 코드로 인해 현저한 증가를 경험했습니다. 자원이 제한된 IoT 환경에서 제로 데이 탐지라는 문제에 대응하기 위해, 우리는 딥 러닝 기법과 함께 세밀한 전력 사이드 채널 분석을 활용하는 새로운 설계를 제안합니다. 우리의 접근법은 다양한 아키텍처 전반에 걸쳐 가장 대표적인 악성 코드 특징을 식별하기 위해 다중 스케일 특징 추출이라는 혁신적인 개념을 도입하여 제로 데이 악성 코드에 대한 딥 러닝 기반 탐지 성능을 향상시킵니다. 특히, 고유한 제로 데이 악성 코드 행동을 식별하기 위해 명령, 함수 및 모듈의 계층을 포함하여 120,000개 이상의 허니팟에서 수집한 악성 코드 파일에 대한 세밀한 전력 사이드 채널 분석을 수행합니다. 이러한 식별된 특징을 모델 훈련에 사용함으로써 제로D-펜더의 제로 데이 악성 코드 탐지 성능이 크게 향상되었습니다. 장치 내 탐지를 추구하면서, 우리는 자원 인식 온라인 추론 맞춤화 프레임워크를 제시합니다. 이 프레임워크는 특수화된 1-D 깊이 별도의 컨볼루션과 h-swish 활성화 함수가 결합된 경량 네트워크인 ThingNetV2를 특징으로 하여 상당한 자원 절감을 이루어냅니다. 세밀한 전력 분석을 적용하여, 제로D-펜더는 다양한 아키텍처 제로 데이 악성 코드에서 95.88%의 탐지율을 보여주며, 특정 시나리오에 따라 16.083 ms에서 23.961 ms 사이의 탐지 속도를 달성합니다.
Li et al. (Sat,)는 이 질문을 연구했습니다.