An Advanced Detection Framework for Embedded System Vulnerabilities
Notice bibliographique
Résumé
Embedded systems serve as the foundation for modern computing in industrial, IoT, and defense applications. However, their increased adoption exposes them to security threats across multiple levels, from application software to operating systems and hardware. Traditional security mechanisms often focus on a single layer, missing cross-layer vulnerabilities that can be exploited by sophisticated attacks. This paper introduces a unified multi-layer vulnerability detection framework that integrates software, operating system, and hardware-level security analysis into a single LLAMA3-based deep learning model. The framework leverages a combined dataset consisting of source code vulnerabilities (C programming), Linux Kernel exploits (system calls), and Field-Programmable Gate Array (FPGA) hardware security risks in Hardware Description Languages (HDLs) such as Verilog and VHSIC Hardware Description Language (VHDL) and bitstream analysis. By merging these diverse vulnerability types into a single learning model, the framework is capable of detecting security threats across the entire embedded system stack. Applying static and dynamic analysis techniques across multiple layers, the proposed LLAMA3-based model achieves state-of-the-art detection accuracy across embedded system security domains. Experimental results demonstrate that the integrated framework outperforms existing layer-specific models, achieving 99.30% accuracy for software vulnerabilities, 99.16% accuracy for OS-level exploits, and 95.6% accuracy for hardware security threats.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».