A Machine Learning Based Approach to Detect Fault Injection Attacks in IoT Software Systems
Notice bibliographique
Résumé
With the rapid growth of Internet of Things (IoT) applications, the security of these systems has become critical. Fault injection attacks are a type of physical attack on the hardware components of an IoT system. These attacks cause the IoT system software to behave abnormally, which the adversaries exploit. Typically, these attacks have been detected through the use of a separate hardware detection mechanism, which is expensive and itself vulnerable to attack. The purpose of this paper is to propose a machine learning based approach to detect the attacks by monitoring specific run-time software parameters in the live environment of an IoT system. The proposed approach generates a labelled dataset by injecting instruction-level faults into the software executable, which is then used to train a machine learning model that can predict whether the IoT software system is currently being affected by a fault injection attack. Using a software fault injection tool to create a labelled dataset enables the use of supervised machine learning techniques, which produce more accurate prediction results than unsupervised techniques. The machine learning model can be used in the live environment of an IoT software system to monitor specific run-time software properties in order to detect the effects of a fault injection attack on the software. Additionally, the model classifies the type of fault introduced into the software as a result of the attack, which can be used to determine the necessary corrective action.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».