Power Side Channel Execution Monitoring using Convolution Neural Networks (Master thesis)
Χριστούδης, Ιωάννης
Embedded devices, such as programmable logic controllers (PLC) and Internet-of
Things (IoT) devices are becoming targets of malware attacks with increasing frequency and
catastrophic results. Physical side channel analysis is one way to monitor the device without
accessing its software, thus causing no resource overhead to the device. In this thesis we
presented an alternative way of using side channel analysis for detecting anomalies in
embedded devices during code execution. We used power consumption side channel signals
to design an intrusion detection system based on convolutional neural networks. We used
the proper equipment to capture signals representing different paths of the execution code.
Considering these paths as classes we fed a convolutional neural network we created in
order to train it to predict when there is an intrusion leading to an code execution
abnormality. There is a previously published relative work on intrusion detection based on
EM side channel analysis. In this thesis we focus on power side channel signals.
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών --Τμήμα Μηχανικών Πληροφορικής |
| Subject classification: | Ασύρματα δίκτυα αισθητήρων Wireless sensor networks TCP (Computer network protocol) TCP (Πρωτόκολλα δικτύων διαδικτύου Ενσωματωμένες συσκευές Διαδικτύου -- Ασφαλιστικά μέτρα Embedded Internet devices--Safety measures |
| Keywords: | Power consumption signals;Machine learning;Convolutional neural networks;Side channel analysis;ανάλυση σήματος μέσω φυσικού καναλιού |
| Description: | Μεταπτυχιακή εργασία - Σχολή Τεχνολογικών Εφαρμογών - Τμήμα Μηχανικών Πληροφορικής, 2019 (α/α 11118) |
| URI: | http://195.251.240.227/jspui/handle/123456789/14702 |
| Item type: | masterThesis |
| General Description / Additional Comments: | Μεταπτυχιακή εργασία |
| Subject classification: | Ασύρματα δίκτυα αισθητήρων Wireless sensor networks TCP (Computer network protocol) TCP (Πρωτόκολλα δικτύων διαδικτύου Ενσωματωμένες συσκευές Διαδικτύου -- Ασφαλιστικά μέτρα Embedded Internet devices--Safety measures |
| Submission Date: | 2022-06-11T13:10:35Z |
| Item language: | el |
| Item access scheme: | free |
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών --Τμήμα Μηχανικών Πληροφορικής |
| Publication date: | 2019-07-05 |
| Bibliographic citation: | Χριστούδης, Ι. (2019). Power side channel execution monitoring using convolution neural networks (Μεταπτυχιακή εργασία). Διεθνές Πανεπιστήμιο της Ελλάδος. |
| Abstract: | Οι ενσωματωμένες συσκευές, όπως οι προγραμματιζόμενοι λογικοί ελεγκτές (PLC)
και συσκευές Internet-of Things (IoT), γίνονται στόχοι επιθέσεων κακόβουλου λογισμικού
με αυξανόμενη συχνότητα και καταστροφικά αποτελέσματα. Η ανάλυση φυσικού
πλευρικού καναλιού (SCA) είναι ένας τρόπος παρακολούθησης της συσκευής χωρίς
πρόσβαση στο λογισμικό της, γεγονός που δεν προκαλεί επιβάρυνση πόρων στη συσκευή.
Στην παρούσα εργασία παρουσιάσαμε έναν εναλλακτικό τρόπο χρήσης ανάλυσης
πλευρικών καναλιών για την ανίχνευση ανωμαλιών σε ενσωματωμένες συσκευές κατά την
εκτέλεση κώδικα. Χρησιμοποιήσαμε σήματα πλευρικού καναλιού κατανάλωσης ισχύος για
να σχεδιάσουμε ένα σύστημα ανίχνευσης εισβολής βασισμένο σε συνελικτικά νευρωνικά
δίκτυα (CNN). Χρησιμοποιήσαμε τον κατάλληλο εξοπλισμό για τη λήψη σημάτων που
αντιπροσωπεύουν διαφορετικές διαδρομές του κώδικα εκτέλεσης. Λαμβάνοντας υπόψη
αυτά τα μονοπάτια ως κλάσεις τροφοδοτήσαμε ένα συνελικτικό νευρωνικό δίκτυο που
δημιουργήσαμε για να το εκπαιδεύσουμε για να προβλέψουμε πότε υπάρχει μια διείσδυση
που οδηγεί σε μια ανωμαλία στην εκτέλεση κώδικα. Υπάρχει μια δημοσιευμένη σχετική
εργασία σχετικά με την ανίχνευση εισβολών που βασίζεται στην ανάλυση καναλιού
πλευράς EM. Στην παρούσα διπλωματική εργασία εστιάζουμε στα σήματα καναλιού ισχύος. Embedded devices, such as programmable logic controllers (PLC) and Internet-of Things (IoT) devices are becoming targets of malware attacks with increasing frequency and catastrophic results. Physical side channel analysis is one way to monitor the device without accessing its software, thus causing no resource overhead to the device. In this thesis we presented an alternative way of using side channel analysis for detecting anomalies in embedded devices during code execution. We used power consumption side channel signals to design an intrusion detection system based on convolutional neural networks. We used the proper equipment to capture signals representing different paths of the execution code. Considering these paths as classes we fed a convolutional neural network we created in order to train it to predict when there is an intrusion leading to an code execution abnormality. There is a previously published relative work on intrusion detection based on EM side channel analysis. In this thesis we focus on power side channel signals. |
| Advisor name: | Διαμαντάρας, Κωνσταντίνος |
| Examining committee: | Διαμαντάρας, Κωνσταντίνος |
| Publishing department/division: | Σχολή Τεχνολογικών Εφαρμογών /Τμήμα Μηχανικών Πληροφορικής |
| Publishing institution: | ihu |
| Number of pages: | 11118 |
| Appears in Collections: | Μεταπτυχιακές Διατριβές |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| XRISTOUDIS.pdf | 3.49 MB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/14702
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
