МЕТОД ТА АЛГОРИТМИ ВИЯВЛЕННЯ КІБЕРАТАК В МЕРЕЖАХ ІНТЕРНЕТУ РЕЧЕЙ НА ОСНОВІ АНАЛІЗУ ЕНЕРГОСПОЖИВАННЯ
DOI:
https://doi.org/10.17721/2519-481X/2025/88-07Ключові слова:
Інтернет речей, кібератака, DDoS, криптомайнінг, виявлення шкідливого програмного забезпечення, енергоспоживання, аналіз опкодівАнотація
«Розумний дім» – це система для керування основними процесами життєзабезпечення як невеликих систем (комерційні, офісні приміщення, квартири, котеджі), так і великих автоматизованих комерційних та промислових комплексів. Важливим завданням, яке має вирішувати концепція сучасного «Розумного дому», є запобігання поширенню шкідливого програмного забезпечення в інфраструктурі Інтернету речей (IoT). Незважаючи на велику кількість розроблених методів виявлення та запобігання кібератакам, IoT-пристрої все ще надзвичайно вразливі та зазнають широкого спектру кібератак, що має як фінансові, так і репутаційні наслідки. Тому існує потреба в розробленні нових підходів для виявлення шкідливого програмного забезпечення в інфраструктурі IoT. Одним з можливих підходів для виявлення аномальної поведінки інфікованих шкідливим програмним забезпеченням пристроїв Інтернету речей є моніторинг споживання енергії цими пристроями. Інфіковані пристрої часто демонструють підвищення енергоспоживання, що може бути індикатором зловмисної активності, такої як DDoS-атаки або криптомайнінг.
У статті представлено метод виявлення атак в інфраструктурі IoT, заснований на аналізі енергоспоживання пристроїв Інтернету речей, який враховує режими користувацьких налаштувань, пов'язані з енергоспоживанням пристроїв. Задля підвищення точності виявлення кібератак та локалізації шкідливого програмного забезпечення на пристроях застосовується аналіз послідовностей опкодів програмного забезпечення. Запропонований підхід надає можливість ефективно виявляти кібератаки, наприклад, DoS/DDoS, на рівні близько 99,88%, та локалізувати шкідливе програмне забезпечення на пристроях. Отже, моніторинг енергоспоживання розумних пристроїв опалення, вентиляції, кондиціонування повітря та інших пристроїв Інтернету речей є підходом до збільшення ефективності виявлення кібератак в інфраструктурі Інтернету речей.
Посилання
1. Trend Micro. Inside the Smart Home: IoT Device Threats and Attack Scenarios. URL: https://www.trendmicro.com/vinfo/it/security/news/internet-of-things/inside-the-smart-home-iot-device-threats-and-attack-scenarios.
2. McAfee Labs Threats Report. URL: https://www.mcafee.com/enterprise/en-us/assets/reports/rp-quarterly-threats-nov-2020.pdf.
3. Global System for Mobile Communications. URL: https://www.gsma.com/
4. U.S. Energy Information Administration (EIA). International Energy Outlook, 2019. URL: https://www.eia.gov/outlooks/ieo.
5. J. Hoffmann, S. Neumann, T. Holz, Mobile malware detection based on energy fingerprints – a dead end?. In International Workshop on Recent Advances in Intrusion Detection. Springer, Berlin, Heidelberg (2013), pp.348-368.
6. A. R. Al-Ali, I. A. Zualkernan, M. Rashid, R. Gupta & M. Alikarar, A smart home energy management system using IoT and big data analytics approach. IEEE Transactions on Consumer Electronics. 2017, Vol. 63(4), pp. 426-434.
7. M. S. Hossain, M. A. Rahman & G. Muhammad, Cyber-physical cloud-oriented multi-sensory smart home framework for elderly people: An energy efficiency perspective. Journal of Parallel and Distributed Computing. 2017, Vol. 103, pp. 11-21.
8. M. Isnen, S. Kurniawan & E. Garcia-Palacios, A-SEM: An adaptive smart energy management testbed for shiftable loads optimisation in the smart home. Measurement. 2020, Vol. 152, 107285.
9. M. A. Paredes‐Valverde, G. Alor‐Hernández, J. L. García‐Alcaráz, M. D. P. Salas‐Zárate, L. O. Colombo‐Mendoza & J. L. Sánchez‐Cervantes, IntelliHome: An internet of things‐based system for electrical energy saving in smart home environment. Computational Intelligence. 2020, Vol. 36 (1), pp. 203-224.
10.A. De Paola, P. Ferraro, G. L. Re, M. Morana & M. Ortolani, A fog-based hybrid intelligent system for energy saving in smart buildings. Journal of Ambient Intelligence and Humanized Computing. 2020, Vol. 11 (7), pp. 2793-2807.
11.M. Killian, M. Zauner & M. Kozek, Comprehensive smart home energy management system using mixed-integer quadratic-programming. Applied energy. 2018, Vol. 222, pp. 662-672.
12.I. Machorro-Cano, G. Alor-Hernández, M. A. Paredes-Valverde, L. Rodríguez-Mazahua, J. L. Sánchez-Cervantes & J. O. Olmedo-Aguirre, HEMS-IoT: A big data and machine learning-based smart home system for energy saving. Energies. 2020, Vol. 13 (5), 1097.
13.V. Fabi, G. Spigliantini & S. P. Corgnati, Insights on smart home concept and occupants’ interaction with building controls. Energy Procedia. 2017, Vol. 111, pp. 759-769.
14.H. Jo, Y. I. Yoon, Intelligent smart home energy efficiency model using artificial TensorFlow engine. Human-centric Computing and Information Sciences. 2018, Vol. 8 (1), pp. 1-18.
15.C. Wilson, T. Hargreaves, R. Hauxwell-Baldwin, Benefits and risks of smart home technologies. Energy Policy. 2017, Vol. 103, pp. 72-83.
16.L. C. Felius, F. Dessen & B. D. Hrynyszyn, Retrofitting towards energy-efficient homes in European cold climates: a review. Energy Efficiency. 2020, Vol. 13 (1), pp. 101-125.
17.R. Ford, M. Pritoni, A. Sanguinetti & B. Karlin, Categories and functionality of smart home technology for energy management. Building and environment. 2017, Vol. 123, pp. 543-554.
18.B. Tushir, Y. Dalal, B. Dezfouli & Y. Liu, A Quantitative Study of DDoS and E-DDoS Attacks on WiFi Smart Home Devices. IEEE Internet of Things Journal, 2020.
19.A. Azmoodeh, A. Dehghantanha, M. Conti & K. K. R. Choo, Detecting crypto-ransomware in IoT networks based on energy consumption footprint. Journal of Ambient Intelligence and Humanized Computing. 2018, Vol. 9 (4), pp. 1141-1152.
20.F. Fasano, F. Martinelli, F. Mercaldo & A. Santone, Energy consumption metrics for mobile device dynamic malware detection. Procedia Computer Science. 2019, Vol. 159, pp. 1045-1052.
21.J. H. Jimenez, K. Goseva-Popstojanova, Malware detection using power consumption and network traffic data. In 2019 2nd International Conference on Data Intelligence and Security (ICDIS). IEEE (2019), pp. 53-59.
22.Y. Shi, F. Li, W. Song, X. Y. Li & J. Ye, Energy audition based cyber-physical attack detection system in IoT. In Proceedings of the ACM Turing Celebration Conference-China (2019), pp. 1-5.
23.H. Zhang, X. Xiao, F. Mercaldo, S. Ni, F. Martinelli & A. K. Sangaiah, Classification of ransomware families with machine learning based on N-gram of opcodes. Future Generation Computer Systems. 2019, Vol. 90, pp. 211-221.
24.A. Azmoodeh, A. Dehghantanha & K. K. R. Choo, Robust malware detection for internet of (battlefield) things devices using deep eigenspace learning. IEEE transactions on sustainable computing. 2018, Vol. 4 (1), pp. 88-95.
25.H. Darabian, A. Dehghantanha, S. Hashemi, S. Homayoun & K. K. R. Choo, An opcode‐based technique for polymorphic Internet of Things malware detection. Concurrency and Computation: Practice and Experience. 2020, Vol. 32 (6), e5173.
26.H. Darabian, A. Dehghantanha, S. Hashemi, M. Taheri, A. Azmoodeh, S. Homayoun & R. M. Parizi, A multiview learning method for malware threat hunting: windows, IoT and android as case studies. World Wide Web. 2020, Vol. 23 (2), pp. 1241-1260.
27.F. Manavi, A. Hamzeh, A new approach for malware detection based on evolutionary algorithm. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (2019), pp.1619-1624.
28.I. Santos, F. Brezo, X. Ugarte-Pedrero & P. G. Bringas, Opcode sequences as representation of executables for data-mining-based unknown malware detection. Information Sciences. 2013, Vol. 231, pp. 64-82.
29.Packages Search for Linux and Unix. URL: https://pkgs.org/
30.VirusTotal. URL: http://www.virustotal.com
31.Obfuscatoin-for-ARM-disassembled-binary. URL: https://github.com/darabian/Obfuscatoin-for-ARM-disassembled-binary
32.Hex Rays. IDA Pro. URL: https://www.hex-rays.com/products/ida/
33.R. Millham, I. E. Agbehadji, H. Yang, Pattern Mining Algorithms. In Bio-inspired Algorithms for Data Streaming and Visualization, Big Data Management, and Fog Computing. Springer, Singapore (2021), pp. 67-80.10.A. De Paola, P. Ferraro, G. L. Re, M. Morana & M. Ortolani, A fog-based hybrid intelligent system for energy saving in smart buildings. Journal of Ambient Intelligence and Humanized Computing. 2020, Vol. 11 (7), pp. 2793-2807.
11.M. Killian, M. Zauner & M. Kozek, Comprehensive smart home energy management system using mixed-integer quadratic-programming. Applied energy. 2018, Vol. 222, pp. 662-672.
12.I. Machorro-Cano, G. Alor-Hernández, M. A. Paredes-Valverde, L. Rodríguez-Mazahua, J. L. Sánchez-Cervantes & J. O. Olmedo-Aguirre, HEMS-IoT: A big data and machine learning-based smart home system for energy saving. Energies. 2020, Vol. 13 (5), 1097.
13.V. Fabi, G. Spigliantini & S. P. Corgnati, Insights on smart home concept and occupants’ interaction with building controls. Energy Procedia. 2017, Vol. 111, pp. 759-769.
14.H. Jo, Y. I. Yoon, Intelligent smart home energy efficiency model using artificial TensorFlow engine. Human-centric Computing and Information Sciences. 2018, Vol. 8 (1), pp. 1-18.
15.C. Wilson, T. Hargreaves, R. Hauxwell-Baldwin, Benefits and risks of smart home technologies. Energy Policy. 2017, Vol. 103, pp. 72-83.
16.L. C. Felius, F. Dessen & B. D. Hrynyszyn, Retrofitting towards energy-efficient homes in European cold climates: a review. Energy Efficiency. 2020, Vol. 13 (1), pp. 101-125.
17.R. Ford, M. Pritoni, A. Sanguinetti & B. Karlin, Categories and functionality of smart home technology for energy management. Building and environment. 2017, Vol. 123, pp. 543-554.
18.B. Tushir, Y. Dalal, B. Dezfouli & Y. Liu, A Quantitative Study of DDoS and E-DDoS Attacks on WiFi Smart Home Devices. IEEE Internet of Things Journal, 2020.
19.A. Azmoodeh, A. Dehghantanha, M. Conti & K. K. R. Choo, Detecting crypto-ransomware in IoT networks based on energy consumption footprint. Journal of Ambient Intelligence and Humanized Computing. 2018, Vol. 9 (4), pp. 1141-1152.
20.F. Fasano, F. Martinelli, F. Mercaldo & A. Santone, Energy consumption metrics for mobile device dynamic malware detection. Procedia Computer Science. 2019, Vol. 159, pp. 1045-1052.
21.J. H. Jimenez, K. Goseva-Popstojanova, Malware detection using power consumption and network traffic data. In 2019 2nd International Conference on Data Intelligence and Security (ICDIS). IEEE (2019), pp. 53-59.
22.Y. Shi, F. Li, W. Song, X. Y. Li & J. Ye, Energy audition based cyber-physical attack detection system in IoT. In Proceedings of the ACM Turing Celebration Conference-China (2019), pp. 1-5.
23.H. Zhang, X. Xiao, F. Mercaldo, S. Ni, F. Martinelli & A. K. Sangaiah, Classification of ransomware families with machine learning based on N-gram of opcodes. Future Generation Computer Systems. 2019, Vol. 90, pp. 211-221.
24.A. Azmoodeh, A. Dehghantanha & K. K. R. Choo, Robust malware detection for internet of (battlefield) things devices using deep eigenspace learning. IEEE transactions on sustainable computing. 2018, Vol. 4 (1), pp. 88-95.
25.H. Darabian, A. Dehghantanha, S. Hashemi, S. Homayoun & K. K. R. Choo, An opcode‐based technique for polymorphic Internet of Things malware detection. Concurrency and Computation: Practice and Experience. 2020, Vol. 32 (6), e5173.
26.H. Darabian, A. Dehghantanha, S. Hashemi, M. Taheri, A. Azmoodeh, S. Homayoun & R. M. Parizi, A multiview learning method for malware threat hunting: windows, IoT and android as case studies. World Wide Web. 2020, Vol. 23 (2), pp. 1241-1260.
27.F. Manavi, A. Hamzeh, A new approach for malware detection based on evolutionary algorithm. In Proceedings of the Genetic and Evolutionary Computation Conference Companion (2019), pp.1619-1624.
28.I. Santos, F. Brezo, X. Ugarte-Pedrero & P. G. Bringas, Opcode sequences as representation of executables for data-mining-based unknown malware detection. Information Sciences. 2013, Vol. 231, pp. 64-82.
29.Packages Search for Linux and Unix. URL: https://pkgs.org/
30.VirusTotal. URL: http://www.virustotal.com
31.Obfuscatoin-for-ARM-disassembled-binary. URL: https://github.com/darabian/Obfuscatoin-for-ARM-disassembled-binary
32.Hex Rays. IDA Pro. URL: https://www.hex-rays.com/products/ida/
33.R. Millham, I. E. Agbehadji, H. Yang, Pattern Mining Algorithms. In Bio-inspired Algorithms for Data Streaming and Visualization, Big Data Management, and Fog Computing. Springer, Singapore (2021), pp. 67-80.
