Ανίχνευση Ανωµαλιών µε Χρήση των Hardware Performance Counters σε RISC-V IoT περιβάλλοντα

Abstract

Η ανίχνευση κακόβουλου λογισμικού και γενικότερα ανωμαλιών σε υπολογιστικά συστήματα γίνεται ολοένα και μεγαλύτερη ανάγκη στη σύγχρονη ψηφιακή εποχή, όπου κυριαρχεί το διαδίκτυο των πραγμάτων (Internet of Things - IoT) και πληθώρα συσκευών είναι συνδεδεμένες μεταξύ τους. Παρά την ύπαρξη διαφόρων λύσεων που στηρίζονται σε λογισμικό (όπως για παράδειγμα συνιστά κάποιο τείχος προστασίας), η επιστημονική κοινότητα, στο πλαίσιο της περαιτέρω ϑωράκισης και ασφαλέστεϱης υλοποίησης των συστημάτων, έχει πραγματοποιήσει αρκετές μελέτες στις οποίες γίνεται χρήση ειδικών καταχωρητών του υλικού (hardware performance counters - HPCs) και μοντέλων μηχανικής μάθησης για τον εντοπισμό ανωμαλιών απλώς και μόνο μέσω της παρακολούθησης γεγονότων σε επίπεδο μικροαρχιτεκτονικής. Σε αυτήν τη διαδικασία, ιδιαίτερη είναι η συνεισφορά του λογισμικού Linux perf που διευκολύνει αισθητά την ανάγνωση των HPCs. Η συγκεκριμένη τεχνική ϕαίνεται να είναι ιδιαίτερα αποτελεσματική σε ενσωματωμένες και IoT συσκευές, οι οποίες χαρακτηρίζονται από σταθερότητα ως προς τη λειτουργία τους. Στην παρούσα διπλωματική δείχνουμε για πρώτη ϕορά ότι μπορούμε να πετύχουμε ικανοποιητικά αποτελέσματα εντοπισμού ανωμαλιών ακόμη και σε εξαιρετικά περιορισμένα από πλευράς υλικού περιβάλλοντα, όπου κάθε πυρήνας διαθέτει μόλις 2 HPCs. Παράλληλα, ερευνούμε εκτενώς διάφορες μετρικές που επηρεάζουν την απόδοση του μοντέλου που υλοποιούμε, όπως είναι το μέγεθος των δεδομένων εκπαίδευσης, το είδος αλλά και το πλήθος των παρατηρούμενων γεγονότων μικροαρχιτεκτονικής.