Gemme IoT fra botnets

Fremkomsten af ​​Thing Internet, hovedsagelig smarte enheder med forbindelse til internettet har haft mange fordele, men med det følger problemet med, hvordan man håndterer tredjepartsbrugere med ondsindet eller kriminel hensigt.

Ivan Letteri, Giuseppe Della Penna, og Giovanni De Gasperis fra Institut for Informationsteknologi ved University of L'Aquila, Italien, at skrive i International Journal of High Performance Computing and Networking har set på et aspekt af IoT -usikkerhed, angreb på smarte enheder af såkaldte botnets. Et botnet er et netværk af computere eller andre enheder, der er blevet genanvendt af en tredjepart, ofte skjult og næsten altid med forkert brug det ultimative mål. Ukorrekt brug kan være til personlig vinding, økonomisk eller på anden måde, sabotage eller andre destruktive eller forstyrrende formål.

Botnet udbredes via malware og kan muligvis drives af ondsindede personer, hackergrupper, virksomhedsenheder, kriminelle bander, organiserede kriminalitetskarteller, eller faktisk useriøse stater. Et særligt lumsk formål, som de sættes til, er at anvende et rettet angreb på et måls computere, så de bliver overvældet. Sådan et distribueret denial of service -angreb, fører, som navnet antyder at forstyrre målets normale computeraktiviteter. Dette kan simpelthen være med henblik på sabotage, måske for at forstyrre den enkeltes daglige drift, virksomhed eller endda en regering. Men, ofte udføres dDOS, så mens systemet er overvældet, dens sikkerhed kan blive brudt på et andet udsat indgangspunkt.

Med IoT og andre netværkssmarte enheder, der rekrutteres af botnetoperatører til uhyggelige formål, teamet har fokuseret på, hvordan sådanne dDOS -angreb kan blive opdaget og standset af systemet ved hjælp af deep learning -teknikker. Naturligvis, det er svært at skelne mellem normal aktivitet og aktivitet fra distribuerede kilder, der er designet til at overvælde et system. Til systemet, det ser simpelthen masser af anmodninger og ved, hvilke der er fra ægte brugere, og hvilke ondsindede ikke let kan skelnes. Teamet påpeger, at med stigningen i software-defineret netværk (SDN), som i stigende grad erstatter konventionelt netværk i IoT, problemet bliver mere akut.

Teamets deep learning-tilgang er blevet testet på to state-of-the-art rammer, dvs. Keras og TensorFlow, og viste sig at have 97 procent nøjagtighed til at opdage botnetangreb på systemerne.