基于异常检测的物联网微控制器入侵检测方法——利用功耗侧信道指纹识别技术

《Sensors》：Anomaly-Based Intrusion Detection for IoT Microcontrollers Using Power Side-Channel Fingerprinting

　　

本研究提出了一种统一的评估框架，用于在开放集威胁模型下利用功耗侧信道指纹进行设备级入侵检测。该研究针对注册后的设备替换场景：敌手在注册完成后、部署或维护期间，用同一型号且固件相同的仿冒品替换合法的商用现成节点，使得这种替换对基于凭证的身份验证不可见。为解决此场景，研究人员在跨越45天的四个实验会话中评估了七块ESP32-WROOM-32开发板和七块Arduino Uno R3开发板。每个平台组均来自单一制造批次，因此所测得的差异反映了批次内变异；相应的结论也建立在此规模及此采购来源之上。与大多数仅在孤立假设下评估指纹识别的先前研究不同，本研究将入侵检测视为一个系统级问题，需联合考虑时间稳定性、开放集识别和特征表征三个方面。研究人员进行了两层评估。第一层利用手工设计的统计特征和通过三元组损失加附加边距Softmax损失训练的神经嵌入来刻画设备的唯一性和时间稳定性，通过分离比、d-prime分数、F1分数和统计功效进行分析。第二层将嵌入应用于基于百分位数阈值设定的开放集入侵检测协议。该分析揭示，在所评估的条件下，时间可行性强烈受特征表征影响。在45天跨度内，采用相同的留一运行轮次协议和评分规则，神经嵌入实现了93.9%的真阳性率和9.9%的误接受率，而对同样的手工设计统计特征应用相同规则则分别得到66.4%和35.8%。当每个设备身份完全从训练集中剔除时，嵌入的误接受率为26.0%，而统计特征为39.0%。平台对比显示，ESP32的分离比高于Arduino（3.06对比1.70），体现出架构依赖的可区分性。统计功效分析在α=0.05条件下得到89.1%的功效。这些结果表明，表征层面的鲁棒性是实用化功耗入侵检测的关键需求，同时更长时间的验证仍是未来工作的重要方向。

研究背景与问题

随着物联网网络在工业控制、医疗健康、交通运输和智能电网等领域的快速扩张，大量设备接入带来了效率提升的同时也引入了复杂的安全挑战。攻击者常利用供应链漏洞，在制造或分销环节植入恶意硬件，从而绕过传统的网络防御体系。尤其值得关注的是，当攻击者在设备注册完成后、部署或维护期间，使用同一型号且固件相同的仿冒品替换合法设备时，由于替换后的设备持有有效的凭证，基于密码学的身份认证机制无法察觉此类替换。这类物理设备替换攻击不仅可能导致数据窃取和传感器输出篡改，还可能使恶意硬件长期潜伏在运营网络中，逐步降低系统的可靠性。传统的入侵检测系统通常假设所有测试样本属于已知类别，无法有效拒斥未知设备，这使其在面对零日攻击时效果有限。虽然射频指纹识别和时序指纹识别等方法已被探索用于硬件鉴别，但它们分别依赖专用软件无线电设备和精确的时间同步，易受环境干扰。相比之下，功耗侧信道指纹识别通过直接测量设备电源端的电流信号，能够反映制造工艺引入的晶体管级差异，具有无需修改设备硬件、可集成于现有监控设施的优势。然而，现有研究在六个关键维度——功耗测量、微控制器级运行、同型号设备区分、未知设备开放集拒斥、多会话时间评估以及入侵检测框架——上最多满足两个条件，尚无工作将这六方面统一纳入评估。此外，低功耗微控制器的毫瓦级功耗使得制造差异信号远小于桌面级或高功率设备，信噪比更低，指纹提取更具挑战性。因此，有必要建立一个统一的评估框架，系统性地研究功耗侧信道指纹在批次相同物联网微控制器上的区分能力、时间稳定性以及特征表征对其性能的影响。

研究方法概述

研究人员采用了七块ESP32-WROOM-32开发板和七块Arduino Uno R3开发板，每组均来自单一制造批次，以确保观测到的差异反映批次内变异而非批次间工艺偏移。所有设备通过精密分流电阻串联在公共地回路中进行非侵入式电流测量，由一台专用Arduino Uno作为采集单元以10位模数转换器采样。研究人员设计了三种确定性工作负载：计算哈希睡眠循环用于跨平台基线比较，网络化传感器监测任务用于ESP32的多会话时间评估，冒泡排序算法用于Arduino的平台特定分析。特征提取阶段，研究人员从分段后的功耗迹线中计算19个统计特征，并通过三阶段预处理流程筛选得到17维特征向量。对于神经嵌入，研究人员构建了一个类ResNet编码器，将17维输入映射至64维L²归一化嵌入空间，采用三元组损失加附加边距Softmax损失的联合目标函数进行训练。评估协议包括时间混合拆分、五折交叉验证和留一运行轮次三种方案，其中留一运行轮次协议最为严格，要求被评估会话中的窗口完全不参与训练、质心构建和阈值校准。开放集评估采用基于余弦相似度的质心比对方法，通过百分位数阈值设定实现已知设备接受与未知设备拒斥，并报告真实正例率、误接受率和等错误率。

研究结果

5.1 单轮基线分析

5.1.1 架构对指纹识别的影响

在第一天实验中，所有设备执行相同的计算哈希睡眠循环工作负载。距离度量分析显示，ESP32的分离比为3.06，d-prime值为2.54，均显著优于Arduino的1.70和1.25。六种监督学习分类器中，随机森林在两个平台上表现最佳，ESP32达到96.1%的F1分数，Arduino为71.1%。概率密度分布图直观展示了ESP32的类内与类间距离重叠区域明显小于Arduino，表明其制造变异信号更强。

5.1.2 Arduino工作负载影响

在Arduino平台上，气泡排序工作负载相较于计算哈希睡眠循环表现出更强的设备可区分性。气泡排序的分离比为2.08，d-prime值为1.55，而计算哈希睡眠循环分别为1.68和1.00。六种分类器的平均F1分数从计算哈希睡眠循环的约67%提升至气泡排序的约75%，其中随机森林仍保持最高性能。

5.1.3 ESP32工作负载影响

在ESP32平台上，网络化传感器监测任务的分离比为3.20，d-prime值为2.77，略高于计算哈希睡眠循环的3.04和2.53。六种分类器在网络化传感器监测任务上的平均F1分数约为93%，略低于计算哈希睡眠循环的约91%，但整体区分能力依然强劲。

5.2 多轮时间分析

5.2.1 逐会话分析

对四个独立会话分别进行单轮分析发现，ESP32的分离质量随时间波动。第一天分离比为3.02，第二天下降至2.81，第三天回升至3.11，第四天进一步降至2.56。d-prime值呈现类似趋势，从第一天的2.59变化至第四天的2.14。这表明即使在受控实验室条件下，指纹质量也存在会话间的自然变化。

5.2.2 跨会话退化

当训练数据来自第一天而测试数据来自后续会话时，统计特征的分类性能显著下降。以第一天为训练集、第四天为测试集时，随机森林的准确率从单会话的约96%骤降至约58%，支持向量机从约93%降至约49%。这种退化模式在所有分类器上一致出现，证实统计特征的时间稳定性有限。

5.3 神经嵌入框架

在留一运行轮次协议下，神经嵌入实现了93.9%的真实正例率和9.9%的误接受率，而相同评分规则应用于统计特征仅获得66.4%和35.8%。当每个设备身份完全从训练集中剔除时，嵌入的误接受率为26.0%，统计特征为39.0%。在时间混合拆分和五折交叉验证协议下，嵌入同样保持优势，真实正例率分别达到96.8%和95.2%，误接受率分别为7.1%和8.4%。

5.4 开放集评估

在三个阈值策略下，神经嵌入在等错误率阈值处实现约92%的真实正例率和约8%的误接受率。对于真实误接受率场景，未经修改的非注册设备嵌入被正确拒斥。硬件误接受率场景模拟量化噪声扰动后，误接受率略有上升但仍保持在可控范围。对抗性误接受率场景中，当非注册嵌入向目标质心移动15%时，误接受率上升至约15%，表明边界附近存在一定脆弱性。

5.5 消融分析

去除三元组损失组件后，留一运行轮次协议下的真实正例率从93.9%下降至89.2%，误接受率从9.9%上升至12.7%。去除附加边距Softmax损失后，真实正例率降至90.5%，误接受率升至11.8%。同时去除两者时，性能进一步恶化至85.6%和15.3%。这表明两种损失函数的联合优化对维持时间鲁棒性至关重要。

5.6 统计功效分析

针对ESP32网络化传感器监测任务数据集，Cohen's d效应量为2.17，属于大效应量。统计功效计算值为89.1%，超过80%的常规阈值，表明当前样本量足以可靠地检测到观测到的差异。前瞻性功效分析显示，若要检测小效应量，需每组至少393个样本；中等效应量需64个样本；大效应量需26个样本。

讨论与结论

研究人员指出，时间稳定性是功耗侧信道指纹识别能否实际部署的关键瓶颈。实验结果表明，特征表征的选择直接影响时间鲁棒性：神经嵌入能够跨会话保持设备可分性，而手工统计特征在时间间隔增大时性能严重退化。这一发现与射频指纹识别领域观察到的现象一致，即表征设计而非模态本身决定了时间泛化能力。开放集评估揭示了当前方法的局限性：当非注册嵌入向目标质心偏移时，误接受率上升，表明边界附近的决策存在风险。研究人员强调，功耗侧信道指纹识别应作为纵深防御体系中的一个层次，补充而非替代基于凭证和网络层的安全机制。未来工作方向包括：扩展到更长的时间跨度以验证长期稳定性，增加设备池规模以评估可扩展性，分离环境因素对指纹的具体影响，以及在真实部署环境中进行端到端验证。研究结论部分指出，该研究证明了功耗侧信道指纹在批次相同物联网微控制器上进行设备级入侵检测的可行性，但表征层面的鲁棒性是实现实用化部署的核心要求，更长时间的验证仍是未来工作的重要方向。该论文发表于《Sensors》期刊。