基于雙重檢測(cè)器的假數(shù)據(jù)注入攻擊與故障區(qū)分方法

王瑤瑤　張正道

摘要：本文采用雙重檢測(cè)器進(jìn)行假數(shù)據(jù)注入攻擊與故障的區(qū)分，首先提出用一種基于滑動(dòng)窗求和檢測(cè)器的方法進(jìn)行系統(tǒng)正常與異常情況的區(qū)分，然后結(jié)合卡方檢測(cè)器實(shí)現(xiàn)虛假數(shù)據(jù)注入攻擊與故障的區(qū)分，最后用MATLAB仿真實(shí)驗(yàn)來驗(yàn)證所提方法的有效性，并討論了滑動(dòng)時(shí)間窗口對(duì)檢測(cè)結(jié)果的影響。

關(guān)鍵詞：信息物理系統(tǒng);假數(shù)據(jù)注入攻擊;系統(tǒng)故障;攻擊檢測(cè);求和檢測(cè)器

一、引言

信息物理系統(tǒng)（Cyber physical system， CPS）是一個(gè)融合了傳感器、通信設(shè)備和計(jì)算單元，實(shí)現(xiàn)物理設(shè)施與信息過程交互的系統(tǒng)，而互聯(lián)互通的信息網(wǎng)絡(luò)為惡意實(shí)體攻擊CPS系統(tǒng)提供了更多的機(jī)會(huì)[1，2]。假數(shù)據(jù)注入攻擊（False data injection attack， FDIA）通過修改傳感器、執(zhí)行器和物理設(shè)施之間通信信道中的數(shù)據(jù)來改變控制器命令，進(jìn)而破壞系統(tǒng)的性能與穩(wěn)定性。文獻(xiàn)[3]說明了當(dāng)系統(tǒng)滿足一定的條件時(shí)，惡意實(shí)體就可以精心設(shè)計(jì)能規(guī)避壞數(shù)據(jù)檢測(cè)機(jī)制的攻擊序列。在此基礎(chǔ)上，文獻(xiàn)[4]提出了系統(tǒng)存在完全隱匿攻擊序列的充分必要條件。

針對(duì)FDIA的檢測(cè)[5-9]都是通過判斷檢測(cè)函數(shù)值與閾值之間大小實(shí)現(xiàn)的，但是系統(tǒng)故障也將超出閾值的現(xiàn)象沒有被區(qū)分。FDIA與故障對(duì)系統(tǒng)造成破壞的表現(xiàn)方式都是在系統(tǒng)正常運(yùn)行過程中出現(xiàn)異常，而兩者的實(shí)現(xiàn)方式都是通過向傳感器或系統(tǒng)添加額外的數(shù)據(jù)，這使得對(duì)兩者進(jìn)行區(qū)分較為困難。在現(xiàn)有的對(duì)攻擊與故障區(qū)分的研究中，文獻(xiàn)[10]將工業(yè)自動(dòng)化過程描述為由通信模型、任務(wù)模型、資源模型、控制數(shù)據(jù)流模型與物理過程中的臨界狀態(tài)模型組成，應(yīng)用隱馬爾可夫模型區(qū)分出多模式狀態(tài)下的入侵攻擊和故障，但是此方法無法應(yīng)用于CPS;文獻(xiàn)[11]通過向控制輸入端添加物理水印，然后采用雙重卡方檢測(cè)器來區(qū)分出重放攻擊與故障，此方法對(duì)FDIA的檢測(cè)是無效的;文獻(xiàn)[12]提出了一種基于機(jī)器學(xué)習(xí)算法的電力系統(tǒng)下注入攻擊與故障的檢測(cè)與識(shí)別方法，此方法需要事先生成大量的特定的故障數(shù)據(jù)，并且只能區(qū)分出相應(yīng)的故障類型。文獻(xiàn)[13]提出一種基于特殊設(shè)計(jì)的水印并結(jié)合自適應(yīng)估計(jì)來區(qū)分重放攻擊與偏置故障。

雖然FDIA與故障的實(shí)現(xiàn)方式和表現(xiàn)方式相同，但兩者本質(zhì)上的差異促使本文對(duì)二者區(qū)分的研究。FDIA是由惡意實(shí)體精心設(shè)計(jì)，對(duì)系統(tǒng)實(shí)施有目的性的破壞，但是系統(tǒng)故障是隨機(jī)的且沒有目的的。如果將觸發(fā)異常警報(bào)的行為全部識(shí)別為攻擊或者系統(tǒng)故障，這將不利于異常情況的分析與定位，可能會(huì)導(dǎo)致操作人員對(duì)事件做出不適當(dāng)?shù)捻憫?yīng)，造成不必要的經(jīng)濟(jì)損失。此外，惡意實(shí)體也考慮到故障的存在，文獻(xiàn)[14]設(shè)計(jì)了一種稀疏攻擊序列，在系統(tǒng)故障情況下實(shí)施注入攻擊，而成功規(guī)避壞數(shù)據(jù)檢測(cè)機(jī)制的檢測(cè)。

鑒于以上討論，本文提出一種新的基于滑動(dòng)窗求和檢測(cè)器方案，主要工作如下：1.提出一種滑動(dòng)窗求和檢測(cè)器，使得累積部分時(shí)刻的測(cè)量殘差檢測(cè)出FDIA;2.將滑動(dòng)窗求和檢測(cè)器與卡方檢測(cè)器結(jié)合，組成雙重檢測(cè)機(jī)制攻擊與故障的分離;3.討論了滑動(dòng)時(shí)間窗口對(duì)檢測(cè)準(zhǔn)確度的影響。最后，應(yīng)用MATLAB平臺(tái)，通過對(duì)無人駕駛航空系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)來驗(yàn)證本文算法的有效性。

二、問題描述與準(zhǔn)備工作

（一）系統(tǒng)模型

（二）攻擊模型

三、異常檢測(cè)與區(qū)分方法

（一）滑動(dòng)窗求和檢測(cè)器

（二）雙重檢測(cè)機(jī)制

四、實(shí)驗(yàn)與討論

（一）滑動(dòng)窗求和檢測(cè)器的有效性

（二）雙重檢測(cè)機(jī)制有效性

（三）n對(duì)檢測(cè)準(zhǔn)確度的影響

五、結(jié)束語

本文重點(diǎn)研究了虛假數(shù)據(jù)注入攻擊，其具有較強(qiáng)的隱蔽性和破壞性，此外針對(duì)系統(tǒng)故障也將觸發(fā)壞數(shù)據(jù)檢測(cè)機(jī)制（BDD）的異常警報(bào)現(xiàn)象，因此本文提出了一種結(jié)合滑動(dòng)窗求和檢測(cè)器與卡方檢測(cè)器的雙重檢測(cè)機(jī)制來區(qū)分虛假數(shù)據(jù)注入攻擊與系統(tǒng)故障，并且考慮了滑動(dòng)時(shí)間窗口對(duì)檢測(cè)結(jié)果的影響，通過MATLAB進(jìn)行驗(yàn)證。

作者單位：王瑤瑤? ? 張正道? ? 江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院

參? 考? 文? 獻(xiàn)

[1]劉穎. 基于改進(jìn)KPCA方法的工業(yè)控制系統(tǒng)假數(shù)據(jù)注入攻擊異常檢測(cè)研究[D].杭州：浙江大學(xué)， 2019：34-52.

[2]劉烴，田決，王稼舟.信息物理融合系統(tǒng)綜合安全威脅與防御研究[J].自動(dòng)化學(xué)報(bào)，2019，45（1）： 5-24.

[3] Y. Mo， B. Sinopoli. False data injection attacks in control systems[J]. Proc. 1st Workshop Secure Control Syst.Stockholm， Sweden， 2010： 1-6.

[4] Zhang T， Ye D. False data injection attacks with complete stealthiness in cyber–physical systems： A self-generated approach[J]. Automatica， 2020， 120： 109117.

[5] Hu L， Wang Z， Han Q， et al. State estimation under false data injection attacks： Security analysis and system protection[J]. Automatica （Oxford）， 2018， 87： 176-183.

[6] Ashok A， Govindarasu M， Ajjarapu V. Online Detection of Stealthy False Data Injection Attacks in Power System State Estimation[J]. IEEE Transactions on Smart Grid， 2018， 9（3）： 1636-1646.

[7] Ye D， Zhang T. Summation Detector for False Data-Injection Attack in Cyber-Physical Systems [J]. IEEE Transactions on Cybernetics， 2020， 50（6）： 2338-2345.

[8] J.W KANG， I. JOO and D. H CHOI. False Data Injection Attacks on Contingency Analysis： Attack Strategies and Impact Assessment[J]. IEEE，2018（6）：8841-8851.

[9] Yu J， Hou Y， Li V. Online False Data Injection Attack Detection with Wavelet Transform and Deep Neural Networks[J]. IEEE Transactions on Industrial Informatics， 2018， 14（7）： 3271-3280.

[10] Chunjie Zhou， Shuang Huang， Naixue Xiong. Design and Analysis of Multimodel-Based Anomaly Intrusion Detection Systems in Industrial Process Automation[J]. IEEE TRANSACTIONS ON SYSTEMS， MAN， AND CYBERNETICS： SYSTEMS， 2015，45（10）： 13 45-1360.

[11] Y .Zhao， C. Smidts. A control-theoretic approach to detecting and distinguishing replay attacks from other anomalies in nuclear power plants[J]. Progress in Nuclear Energy 123 （2020）103315.

[12] B M Ruhul Amin，Adnan Anwar， M. J. Hossain. Distinguishing between Cyber Injection and Faults using Machine Learning Algorithms[J]. 2018 IEEE Region Ten Symposium （Tensymp）.

[13] Zhang K， Christodoulos Keliris， Thomas Parisini. Identification of Sensor Replay Attacks and Physical Faults for Cyber-Physical Systems[J].IEEE CONTROL SYSTEMS LETTERS， 2022， 6：1178-1183.

[14] Lu A， Yang G. False data injection attacks against state estimation in the presence of sensor failures[J]. Information Sciences， 2020， 508： 92-104.