Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Intelligent Analysis of System Calls to Detect Cyber Attacks Affecting Spectrum Data Integrity in IoT Sensors
Organization Unit
Authors
  • Chao Feng
Supervisors
  • Alberto Huertas Celdran
  • Muriel Figueredo Franco
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text Over the past few decades, IoT technologies have surged, with billions of devices accessing the Internet through wireless networks, bringing convenience to human lives while consuming the valuable wireless spectrum. To optimize the radio frequency spectrum, crowdsensing-based radio frequency spectrum monitoring networks are proposed, consisting of distributed IoT sensors that collaborate to collect, transmit, and process radio spectrum data worldwide. However, these IoT sensors with constrained resources are extremely vulnerable to cyberattacks that compromise the integrity of the radio frequency spectrum data and affect the operation of the entire platform. On the one hand, Machine Learning-based device behavior fingerprinting for cyberattack identification is considered highly promising. On the other hand, the device behavior data is strongly sensitive, and its data privacy becomes an issue that has to be considered. Taking these into consideration, this thesis proposes a Federated Learning-based IoT network attack detection system using system calls behavioral data. This approach achieves both data privacy protection and effective identification of cyberattacks through its unique training strategy, i.e., sharing only model parameters but not the training data. After a systematic comparison, this thesis selects the most suitable feature extraction approach and local identification algorithm. The effectiveness and reliability of the proposed model is demonstrated by using quantitative analysis through a variety of different scenarios.
Zusammenfassung In den letzten Jahrzehnten haben sich IoT-Technologien rasant entwickelt. Milliarden von Geräten greifen über drahtlose Netzwerke auf das Internet zu und erleichtern das Leben der Menschen, verbrauchen aber gleichzeitig wertvolle Funkfrequenzen. Zur Optimierung des Funkfrequenzspektrums werden Crowdsensing-basierte Netzwerke zur Überwachung des Funkfrequenzspektrums vorgeschlagen, die aus verteilten IoT-Sensoren bestehen, die zusammenarbeiten, um weltweit Funkfrequenzdaten zu sammeln, zu übertragen und zu verarbeiten. Diese IoT-Sensoren mit begrenzten Ressourcen sind jedoch äußerst anfällig für Cyberangriffe, die die Integrität der Funkfrequenzspektrumsdaten gefährden und den Betrieb der gesamten Plattform beeinträchtigen. Einerseits gilt das auf maschinellem Lernen basierende Fingerprinting des Geräteverhaltens zur Identifizierung von Cyberangriffen als vielversprechend. Andererseits sind die Daten über das Geräteverhalten sehr sensibel, und der Datenschutz muss berücksichtigt werden. Vor diesem Hintergrund wird in dieser Arbeit ein auf föderativem Lernen basierendes System zur Erkennung von IoT-Netzwerkangriffen unter Verwendung von Verhaltensdaten von Systemaufrufen vorgeschlagen. Dieser Ansatz erreicht sowohl den Schutz der Privatsphäre als auch eine effektive Identifizierung von Cyberangriffen durch seine einzigartige Trainingsstrategie, d.h. er gibt nur die Modellparameter, nicht aber die Trainingsdaten weiter. Nach einem systematischen Vergleich wählt diese Arbeit den am besten geeigneten Ansatz zur Merkmalsextraktion und den lokalen Identifikationsalgorithmus aus. Die Wirksamkeit und Zuverlässigkeit des vorgeschlagenen Modells wird anhand einer quantitativen Analyse in einer Vielzahl unterschiedlicher Szenarien nachgewiesen.
PDF File Download
Export BibTeX