Grant: Alliance Grants

There has been a significant increase in the deployments of the Internet of Things (IoT) devices over the last few years. Security, however, has lagged behind, as evidenced by the increasing number of attacks that target IoT devices (e.g., an arson that uses a smart oven, burglary via a smart lock), which may lead to as severe consequences as, not to mention sometimes more than, those targeting conventional devices. Nowadays, IoT devices tend to be trusted with more personal and security-critical data, although with relatively less computing power. Common causes of those attacks include but are not limited to software vulnerabilities and misconfigurations. Another important contributor is the multiparty model of the IoT device lifecycle, e.g., what the vendor/developer left as "defaults" might not match a security-unaware user's situation. Despite existing efforts, mitigating such security threats still remains challenging mainly for the following reasons: 1) current IoT security recommendations (e.g., NIST, ENISA) are too high-level to produce actionable items for enforcement/auditing; 2) those recommendations are not also expressed using system-level data so that the developers and manufacturers of IoT devices can easily integrate them into the device implementation; 3) most IoT devices lack sufficient storage and computational capabilities to conduct compliance auditing (e.g., using formal methods); and 4) collecting data from those devices, which frequently generate/collect sensitive information, introduces new privacy concerns.This proposed program seeks to overcome those challenges and develop an AI-enhanced security framework for IoT devices to benefit from the security recommendations/standards in an automated manner. The objectives of this program are to: (i) derive actionable security guidelines by bridging the gap between the high-level recommendations and low-level system technicality; (ii) overcome the resource constraint and privacy concerns about data sharing; (iii) provide trustworthiness assurance for either the integration of those guidelines during the development/manufacturing phase, or the compliance auditing thereof, of the user's choice. In pursuit of these objectives, the proposed research will be conducted through several major research thrusts. First, we will build an automated solution to translate high-level recommendations into more concrete, actionable security guidelines that adapts to heterogeneous IoT platforms, by applying natural language processing (NLP) techniques. Second, we will devise a compliance auditing approach that learns the clusters of similar devices using nonsensitive data (e.g., design specifications) and then locally utilizes the sensitive data (e.g., sensor data) to perform the actual auditing in a federated manner to preserve privacy. Third and orthogonally, we will develop an automated technique to generate concrete integration inputs, e.g., scripts, templates and policies, so that the developers/manufacturers can easily apply these actionable guidelines and proactively ensure compliance if they choose to. Both the second and third thrusts will try to make use of current hardware-based techniques (e.g., trusted computing). The outcome of the proposed research will help secure IoT environments and can be used to design a viable adoption plan (e.g., IoT security education, defining security policies) for the upcoming IoT era. Les déploiements de dispositifs de l'internet des objets (IoT) ont connu un essor significatif au cours des dernières années. La sécurité a toutefois pris du retard, comme en témoigne le nombre croissant d'attaques visant les dispositifs IoT, attaques pouvant entraîner des conséquences aussi graves, voire parfois plus, que celles visant les dispositifs classiques, parce qu'on a tendance à confier aux dispositifs IoT davantage de données personnelles ou de données critiques pour la sécurité, bien que leur puissance de calcul soit relativement moindre. Les causes courantes de ces attaques comprennent, sans s'y limiter, les vulnérabilités et les mauvaises configurations des logiciels. Malgré les efforts déployés, l'atténuation de ces menaces pour la sécurité reste difficile, principalement pour les raisons suivantes : 1) les recommandations actuelles en matière de sécurité (p.ex., NIST) sont trop générales pour produire des éléments exploitables pour la mise en oeuvre et l'audit ; 2) ces recommandations ne sont pas exprimées à l'aide de données au niveau de la mise en oeuvre pour garantir leur intégration facile dans les phases de conception/développement ; 3) la plupart des dispositifs IoT ne disposent pas de capacités de stockage/calcul suffisantes pour effectuer un audit de conformité ; 4) la collecte de données à partir de ces dispositifs, qui génèrent/collectent fréquemment des informations sensibles, pose de nouveaux problèmes de confidentialité.Le programme proposé vise à développer un cadre de sécurité amélioré par l'IA pour les dispositifs IoT afin de bénéficier des recommandations/normes de sécurité de manière automatisée, en réalisant les objectifs suivants : dériver des directives de sécurité applicables en comblant le fossé entre les recommandations de haut niveau et la technicité des systèmes de bas niveau ; surmonter les contraintes de ressources et les préoccupations de confidentialité concernant le partage des données ; fournir une assurance de fiabilité pour l'intégration de ces directives pendant la phase de développement/fabrication, ou pour l'audit de conformité de celles-ci, au choix de l'utilisateur. Dans la poursuite de ces objectifs, la recherche proposée sera menée à travers trois axes principaux. Premièrement, nous construirons une solution qui s'adapte aux plateformes IoT hétérogènes, pour traduire les recommandations de haut niveau en directives de sécurité plus concrètes et exploitables, en appliquant des techniques de traitement du langage naturel (NLP). Deuxièmement, nous allons concevoir une approche de vérification de la conformité qui apprend les groupes de dispositifs similaires en utilisant des données non-sensibles (p.ex., les spécifications de conception), puis utilise localement les données sensibles (p.ex., les données des capteurs) pour effectuer la vérification réelle de manière fédérée afin de préserver la vie privée. Troisièmement et orthogonalement, nous développerons une technique pour générer des entrées d'intégration concrètes, p.ex., des scripts/modèles/politiques, afin de facilement appliquer ces directives exploitables et assurer de manière proactive la conformité. Les deuxième et troisième axes de recherche tenteront d'utiliser les techniques actuelles basées sur le matériel (p.ex., l'informatique de confiance). Les résultats de la recherche proposée contribueront à sécuriser les environnements IoT et pourront être utilisés pour concevoir un plan d'adoption viable pour l'ère IoT à venir.