.png){kind=icon}
返回
HoleMal: A lightweight IoT malware detection framework based on efficient host-level traffic processing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104360.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着物联网（IoT）设备的普及，物联网安全问题日益凸显。由于安全管理的不足，大量设备极易受到恶意软件攻击。作为一种解决方案，基于机器学习的网络流量行为分析已被证明是有效的，并在各种场景中得到广泛应用。然而，网络特征提取和在线检测的效率受到物联网设备有限计算资源的显著制约。为应对这一挑战，我们提出HoleMal，一种新型主机级框架，用于在资源受限环境中检测恶意网络行为。HoleMal提供了一套全面的主机级流量监控、处理和检测解决方案，旨在以最小的资源成本实现最优网络保护。在检测过程中，HoleMal从设备视角构建主机级流量特征。它从三个维度描述设备行为，包括连接行为、网络活动及访问的服务，共计36个主机级特征。由于这些特征与有效载荷无关，因此不受流量加密的影响。此外，HoleMal提供了一种成本敏感的特征选择器，能够量化特征的计算成本并将其纳入特征选择过程。它识别出具有卓越检测能力且计算成本最低的主机级特征子集，从而为检测模型构建提供理论依据，进一步提升了HoleMal的效率优势。我们在树莓派（Raspberry Pi）上使用多个数据集对HoleMal进行了评估。实验结果表明，HoleMal在所有数据集上均表现出稳健的检测性能，相较于细粒度方法实现了显著的效率提升。
Keyword:
Internet of things
Malicious traffic detection
Host-level framework
Computational efficiency
Cost sensitive
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.4W
机构
引用论文
分享收藏
Machine learning-based early detection of IoT botnets using network-edge traffic.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Feature mining for encrypted malicious traffic detection with deep learning and other machine learning algorithms基于深度学习和其他机器学习算法的加密恶意流量检测特征挖掘COMPUTERS & SECURITYOAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Botnet attack detection in Internet of Things devices over cloud environment via machine learning
PREAI
分享收藏A feature enhancement-based model for the malicious traffic detection with small-scale imbalanced dataset基于特征增强的小规模不平衡数据集恶意流量检测模型
PREAI
分享收藏
查看更多内容