Classifying IoT Firmware Security Threats Using Image Analysis and Deep Learning

Abstract

À mesure que l'Internet des objets (IoT) se développe, ses appareils intégrés sont de plus en plus vulnérables aux attaques basées sur le micrologiciel. L'absence de mécanismes de sécurité robustes dans les appareils IoT les rend vulnérables aux mises à jour de micrologiciels malveillantes, compromettant potentiellement des réseaux entiers. Cette étude aborde la classification des menaces de sécurité du micrologiciel IoT à l'aide de techniques d'apprentissage profond et d'analyse basée sur l'image. Un ensemble de données accessible au public d'images en niveaux de gris 32x32, dérivées d'échantillons de micrologiciels IoT et classées comme Benignware , Hackware et Malware , a été utilisé. Les images en niveaux de gris ont été converties au format RVB à trois canaux pour garantir la compatibilité avec les réseaux neuronaux convolutionnels (CNN). Nous avons testé plusieurs architectures CNN pré-entraînées, notamment SqueezeNet, ShuffleNet, MobileNet, Xception et ResNet50, en utilisant l'apprentissage par transfert pour adapter les modèles à cette tâche de classification. ResNet50 et ShuffleNet ont tous deux obtenu des performances exceptionnelles, avec une précision, une précision, un rappel et un score F1 de 100 %. Ces résultats valident l’efficacité de notre méthodologie en tirant parti de l’apprentissage par transfert pour la classification des micrologiciels IoT tout en maintenant l’efficacité de calcul, ce qui la rend adaptée au déploiement dans des environnements IoT aux ressources limitées.