IoT Cameras and DVRs as DDoS Reflectors: Pros and Cons from Hacker’s Perspective
Notice bibliographique
Résumé
The Mirai attacks of 2016 have shown the devastating DDoS potential of compromised IoT devices (primarily IoT cameras and DVRs), when nearly half a million of these devices were used to launch some of the largest and most devastating DDoS attacks recorded to date. One would hope that a full year later, the users and administrators of Internet-facing IoT devices have taken at least the basic measures towards reducing the likelihood that their devices get recruited as facilitators/executors of direct or reflected DDoS attacks. Unfortunately, the results of our recent study involving real-world IoT cameras and DVRs are rather discouraging as they show that: 1) with the existence of publicly accessible IoT search engines, such as Shodan, it has become easier than ever for hacker to discover and compromise IoT devices, of any kind and anywhere in the world, and 2) a significant number of these devices are inadequately protected against TCP-SYN floods and DDoS reflection - either by means of firewalls or at the OS-level. The aim of this article is to serve as a wake-up call to the users and administrators of Internet-facing IoT devices, and alert to the need to better protect these devices form being coopted by hackers for purposes of DDoS attacks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».