انتخاب هوشمند نقاط تزریق گرههای ضد تغییر در ثابت افزار سامانههای نهفته با بهره گیری از ویژگیهای گراف جریان کنترل و یادگیری ماشین

حفاظت از ثابت افزار سامانه های نهفته در برابر حملات دستکاری و بازبسته بندی یکی از مسائل کلیدی امنیت در اینترنت اشیا و سامانه های نهفته به شمار می رود. در اغلب روشهای موجود محل قرارگیری سازوکارهای ضد تغییر به صورت دستی و بر پایه تجربه توسعه دهندگان تعیین می شود که می تواند کارایی حفاظت را کاهش دهد. در این پژوهش، چارچوبی مبتنی بر یادگیری ماشین برای انتخاب هوشمند نقاط استقرار گره های حفاظتی ارائه شده است. بدین منظور گراف جریان کنترل برنامه های مجموعه MiBench استخراج و ویژگی های ساختاری، اجرایی و امنیتی مربوط به بلوک های پایه محاسبه می شود. سپس الگوریتم Random Forest برای شناسایی مناسب ترین نقاط تزریق به کار گرفته می شود. ارزیابی روش پیشنهادی روی برنامه های محک از مجموعه MiBench نشان می دهد که این رویکرد با دقت ۹۲.۸ درصد قادر به تشخیص نقاط بهینه استقرار مکانیزم های حفاظتی است. همچنین در مقایسه با انتخاب دستی زمان موردنیاز برای کشف و حذف این مکانیزم ها را بیش از دو برابر افزایش داده و نرخ موفقیت مهاجم را از ۶۸.۸ درصد به ۳۰.۴ درصد کاهش می دهد. نتایج حاکی از آن است که بهره گیری از یادگیری ماشین می تواند به طور موثری تاب آوری ثابت افزار را در برابر مهندسی معکوس و حملات بازبسته بندی ارتقا دهد.

کلیدواژه ها:

ثابت افزار ، باز بسته بندی ، یادگیری ماشین ، گراف جریان کنترل ، یکپارچگی