⚡ electrical engineering

Secure Filtering against Spatio-Temporal False Data Attacks under Asynchronous Sampling

تقترح هذه الورقة خوارزمية لتقدير الحالة الآمن واللامركزي للأنظمة الخطية المستمرة والثابتة زمنياً ذات أخذ عينات غير متزامن، والتي تعمل على التخفيف من حدة هجمات البيانات الزائفة المكانية والزمانية المختلفة عبر دمج التقديرات المحلية المتوافقة زمنياً من خلال مسألة المربعات الصغرى الموزونة مع تنظيم $\ell_1$ ، مما يضمن خطأً محدوداً بشكل موحد تحت فرضية وفرة القابلية للملاحظة.

المؤلفون الأصليون: Zishuo Li, Anh Tung Nguyen, André M. H. Teixeira, Yilin Mo, Karl H. Johansson

نُشر 2026-03-31

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Zishuo Li, Anh Tung Nguyen, André M. H. Teixeira, Yilin Mo, Karl H. Johansson

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل آلة ضخمة ومعقدة، مثل شبكة طاقة وطنية أو شبكة توزيع مياه. ولإبقاء هذه الآلة تعمل بسلاسة، يحتاج "عقل" مركزي (مركز الاندماج - Fusion Center) إلى معرفة ما يحدث بداخلها بالضبط في كل لحظة. يحصل هذا العقل على هذه المعلومات من مئات المستشعرات الصغيرة المنتشرة في جميع أنحاء الآلة.

ومع ذلك، هناك مشكلة: هذه المستشعرات لا تتحدث جميعها في نفس الوقت؛ فبعضها يرسل تحديثات كل ثانية، والبعض الآخر كل 5 ثوانٍ، وبعضها قد يتأخر. وهذا ما يسمى بالأخذ العشوائي غير المتزامن (Asynchronous Sampling).

الآن، تخيل أن مخترقاً يريد تخريب هذه الآلة. هو لا يريد فقط كسر المستشعرات، بل يريد خداع "العقل" لجعله يعتقد أن كل شيء على ما يرام بينما الواقع هو أن الآلة تحترق. تقدم هذه الورقة البحثية طريقة جديدة وذكية للغاية تمكن "العقل" من معرفة الحقيقة، حتى عندما تكذب المستشعرات، أو تكذب بشأن متى تحدثت، أو تصمت تماماً.

إليك تفصيل حل الورقة البحثية باستخدام تشبيهات بسيطة:

1. الشرير: "وكيل الفوضى" (The Chaos Agent)

في الماضي، كان المخترقون عادةً يغيرون الأرقام التي يرسلها المستشعر فقط (على سبيل المثال: القول بأن "درجة الحرارة 20 درجة مئوية" بينما هي في الواقع 100 درجة مئوية). لكن هذه الورقة تدرك أن المخترقين في الأنظمة الحديثة غير المتزامنة لديهم مجموعة أدوات أكبر بكثير. يمكنهم:

الكذب بشأن البيانات: تغيير القياس.
الكذب بشأن الوقت: إرسال رسالة تقول "لقد أرسلت هذا في الساعة 1:00 مساءً" بينما تم إرساله فعلياً في الساعة 1:05 مساءً. هذا يربك الجدول الزمني للعقل.
الصمت التام: حجب الرسالة بالكامل (هجوم حجب الخدمة - Denial of Service).
التزييف الكامل: ابتكار مستشعر غير موجود وإرسال بيانات وهمية منه.

يطلق المؤلفون على هذا اسم "هجوم البيانات الزائفة المكاني-الزماني" (Spatio-Temporal False Data Attack). فكر في الأمر كجاسوس لا يكتفي بتغيير محتوى التقرير فحسب، بل يغير أيضاً التاريخ المكتوب على الرسالة، وأحياناً يحرق الرسالة حتى لا يراها المدير أبداً.

2. الطريقة القديمة: مشكلة "دردشة المجموعة"

تقليدياً، كان "العقل" ينتظر وصول تقارير جميع المستشعرات، ثم يأخذ متوسط إجاباتها. إذا كانت بعض المستشعات تكذب، فسيكون المتوسط خاطئاً. وإذا حاول "العقل" إصلاح مشكلة "الوقت" عن طريق ترتيب الرسائل، يمكن للمخترق ببساطة إرسال رسالة تحمل ختم "1:00 مساءً" مزيف لجعلها تبدو وكأنها وصلت مبكراً، مما يفسد الجدول الزمني بأكمله.

3. الحل الجديد: "فريق التحري"

يقترح المؤلفون خوارزمية تعمل مثل فريق من المحققين، يعمل كل منهم بشكل مستقل قبل مقارنة الملاحظات.

الخطوة أ: المحقق المحلي (التقدير اللامركزي)

بدلاً من وجود عقل واحد كبير ينتظر الجميع، كل مستشعر لديه محقق صغير خاص به.

ينظر كل مستشعر إلى بياناته الخاصة ويضع تخميناً لما تفعله الآلة.
ولأنهم يعملون بمفردهم، فإذا تعرض المستشعر رقم 5 للاختراق، فسيؤثر ذلك فقط على تخمين المحقق الصغير الخاص به. أما المحققون الـ 99 الآخرون فسيظلون في أمان.

الخطوة ب: مزامنة "السفر عبر الزمن"

بما أن المستشعرات تتحدث في أوقات مختلفة، فلا يمكن للعقل مجرد جمع التخمينات معاً.

تستخدم الخوارزمية "آلة زمن" (تنبؤ رياضي) لتسأل: "إذا كان المستشعر رقم 5 قد وضع تخميناً في الساعة 1:00 مساءً، فكيف سيبدو هذا التخمين لو قمنا بتسريعه زمنياً ليصل إلى الساعة 1:05 مساءً؟"
هذا الإجراء يوحد تقارير المحققين جميعاً لتكون في نفس اللحظة الزمنية.

الخطوة ج: "فلتر الحقيقة" (الخدعة السحرية)

الآن، أصبح لدى العقل مجموعة من التخمينات المتزامنة. بعضها صادق، وبعضها تعرض للفساد بسبب المخترق. كيف يجد الحقيقة؟

هنا يأتي السلاح السري للورقة البحثية: تنظيم $\ell_1$ ( $\ell_1$ Regularization).

التشبيه: تخيل أنك تحاول إيجاد متوسط طول مجموعة من الناس، لكنك تعلم أن هناك 3 أشخاص يرتدون أحذية خشبية بطول 10 أقدام (الكاذبون) والبقية طبيعيون.
- إذا أخذت المتوسط فقط، ستكون النتيجة ضخمة وخاطئة.
- أما إذا نظرت إلى البيانات وقلت: "أراهن أن معظم الناس يقولون الحقيقة، وأن القلة فقط هم من يمثلون حالات شاذة"، فيمكنك رياضياً "تقليص" تأثير الأرقام الغريبة.
تقوم الخوارξεمية بحل لغز رياضي يحاول إيج find "الحالة الحقيقية" مع افتراض أن عدداً قليلاً فقط من المستشعرات يكذب. إنها تعمل فعلياً على قول: "سأتجاهل القيم المتطرفة لأنني أعلم أن الحقيقة تعتمد عادةً على الإجماع".

4. لماذا يعد هذا أمراً هاماً؟

تثبت الورقة شيئين مذهلين:

إذا لم يكن هناك اختراق: تعمل الطريقة الجديدة بنفس كفاءة أفضل طريقة ممكنة (مرشح كالمان المثالي - Oracle Kalman Filter). فهي لا تبطئ العمل ولا تفقد الدقة لمجرد اتخاذ إجراءات وقائية.
إذا كان هناك مخترقون يهاجمون: تحافظ الطالم الجديدة على بقاء الخطأ محدوداً (Bounded). وهذا يعني أنه مهما بلغ جنون المخترق، فإن تخمين العقل لن يبتعد كثيراً عن الحقيقة. إنه يشبه سفينة ذات دفة ذاتية التصحيح؛ حتى لو دفعها الإعصار (الهجوم)، فإنها تظل في مسارها.

5. الاختبار في العالم الحقيقي

اختبر المؤلفون هذا النظام على نظام IEEE 14-bus، وهو نموذج قياسي لشبكة كهربائية صغيرة.

قاموا بمحاكاة مخترقين يغيرون البيانات، ويزيفون الطوابع الزمنية، ويحجبون الإشارات في أجزاء مختلفة من الشبكة.
النتيجة: الطرق القديمة (المرشحات القياسية) انهارت وأعطت إجابات خاطئة وجنونية. أما طريقة "فريق التحري" الجديدة فقد حافظت على دقة تقدير حالة الشبكة وسلامتها، مما أثبت أنها تعمل في العالم الحقيقي.

الملخص

تقدم هذه الورقة طريقة جديدة للوثوق بمستشعراتنا في عالم فوضوي وغير متزامن. بدلاً من الوثوق بمصدر واحد أو بمتوسط بسيط، تستخدم فريقاً لامركزياً من المقدرات المحلية جنباً إلى جنب مع فلتر رياضي ذكي يتجاهل "الضجيج" الناتج عن المخترقين. إنها تضمن أنه حتى لو كان العدو يكذب بشأن ما حدث وبشأن متى حدث، فإن النظام لا يزال بإمكانه معرفة الحقيقة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التصفية الآمنة ضد هجمات البيانات الزائفة المكانية-الزمانية تحت أخذ العينات غير المتزامن".

1. بيان المشكلة

تتناول الورقة مشكلة تقدير الحالة الآمن للأنظمة الخطية المستقلة زمنياً (LTI) المستمرة والمجهزة بمستشعرات تعمل بنظام أخذ عينات غير دوري وغير متزامن. في هذا الإعداد، تقوم المستشعرات بإرسال ثلاثيات قياس تتكون من فهرس المستشعر، والطابع الزمني لأخذ العينات، وقيمة القياس إلى مركز دمج البيانات.

النظام عرضة لـ هجمات البيانات الزائفة المكانية-الزمانية، حيث يمكن للمهاجم التلاعب بثلاثيات القياس بأربع طرق متميزة (أو مزيج منها):

حقن البيانات الزائفة: تغيير قيمة القياس مع الحفاظ على الطابع الزمني الصحيح.
التلاعب بالطابع الزمني: تغيير الطابع الزمني مع الحفاظ على صحة قيمة القياس (مما يسبب عدم محاذاة زمنية).
حجب الخدمة (DoS): منع إرسال ثلاثيات القياس.
توليد بيانات زائفة: حقن ثلاثيات قياس جديدة ومصطنعة تماماً ذات طوابع زمنية عشوائية.

الهدف هو تصميم خوارزمية تقدير لامركزية توفر تقديراً للحالة بـ خطأ محدود بشكل موحد، بغض النظر عن وجود هذه الهجمات، بشرما كانت عدد المستشعرات المخترقة أقل من حد معين (هجمات $p$ -sparse).

2. المنهجية

الحل المقترح هو خوارزمية تقدير لامركزية تعتمد على تفكيك مرشح كالمان (KF) ومخطط دمج أمثلية قوي.

أ. تفكيك مرشح كالمان للبيانات المأخوذة في عينات غير متزامنة

وضع المؤلفون أولاً "مرشح كالمان المرجعي" (Oracle KF) (بافتراض عدم وجود هجمات) للأنظمة غير المتزامنة. قاموا بتفكيك مرشح كالمان العالمي إلى مجموعة من المقدرات المحلية ( $\zeta_i[k]$ ) التي تعمل عند كل مستشعر.

تم إثبات أن تقدير الحالة العالمي هو مجموع هذه التقديرات المحلية: $\hat{x}[k] = \sum \zeta_i[k]$ .
أظهرت التقديرات المحلية أنها مستقرة وتتقارب إلى تحويل خطي للحالة الحقيقية ( $G_i[k]x[k]$ ).
يسمح هذا التفكيك للنظام بعزل تأثير الهجمات على مقدرات محلية محددة تتوافق مع المستشعرات المخترقة.

ب. دمج المربعات الصغرى الموزونة (WLS)

في غياب الهجمات، يقترح المؤلفون دمج التقديرات المحلية باستخدام مسألة تحسين المربعات الصغرى الموزونة (WLS).

الهدف: تقليل حد الخطأ الموزون مع مراعاة القيد بأن الحالة المدمجة يجب أن تطابق التقديرات المحلية.
النتيجة: تثبت النظرية 1 أن حل مسألة WLS هذه يستعيد بدقة تقدير الحالة الأمثل لمرشح كالمان العالمي (Oracle KF).

ج. الدمج الآمن باستخدام تنظيم $\ell_1$

للتخفيف من آثار الهجمات، تم تعديل مسألة WLS عن طريق إدخال حد تنظيم $\ell_1$ (مشابه لانحدار Lasso).

مسألة التحسين:
$\min_{\check{x}, \mu, \vartheta} \frac{1}{2}\mu^\top \tilde{W}^{-1} \mu + \gamma \|\vartheta\|_1$
بشرط: $V[k]\zeta[k] = H\check{x}[k] + \mu[k] + \vartheta[k]$ $V [k] ζ [k] = H \overset{x}{ˇ} [k] + μ [k] + ϑ [k]$
- $\check{x}$ : تقدير الحالة الآمن.
- $\mu$ : يمثل خطأ التقدير الناتج عن ضوضاء العملية/القياس.
- $\vartheta$ : يمثل متجه الهجوم المتناثر (sparse attack vector). يعمل معيار $\ell_1$ على تشجيع التناثر، مما يجبر الخوارزمية فعلياً على تحديد وعزل المستشعرات الفاسدة (حيث $\vartheta \neq 0$ ) مع تجاهل بياناتها الخبيثة.
الآلية: يتم ضبط معامل التنظيم $\gamma$ بحيث إذا كان عدد المستشعرات المهاجمة ضمن حد التكرار الملحوظ (observability redundancy)، فإن الخوارزمية تحدد متجه الهجوم بشكل صحيح وتستبعده من حساب الحالة.

3. المساهمات الرئيسية

نموذج هجوم مبتكر: توحد الورقة هجمات النزاهة (الحقن)، وهجمات التوافر (حجب الخدمة)، والهجمات الزمنية (التلاعب بالطابع الزمني) في إطار عمل واحد لـ هجمات البيانات الزائفة المكانية-الزمانية. وهي تعالج تحديداً تحدي التلاعب بالطابع الزمني في الأنظمة غير المتزامنة، وهو ما يمثل فجوة في الأدبيات الحالية.
المقدر الآمن اللامركزي: اقترح المؤلفون خوارزمية جديدة:
- تستعيد تقدير كالمان الأمثل بدقة عند عدم وجود هجمات.
- توفر تقديرات آمنة بأخطاء محدودة بشكل موحد تحت الهجمات، حيث يكون حد الخطأ مستقلاً عن حجم الهجوم ويعتمد فقط على بارامترات النظام وأداء "المرجع" (oracle).
الضمانات النظرية:
- النظرية 2: تثبت أنه تحت شرط محدد لـ $\gamma$ ، يكون المقدر الآمن مطابقاً لمرشح كالمان الأمثل في حالة عدم وجود هجمات.
- النظرية 3: تثبت أنه في وجود هجمات $p$ -sparse، يكون خطأ التقدير محدوداً. يعتمد الحد على كون النظام قابلاً للملاحظة بـ $2p$ -sparse (وهو افتراض التكرار القياسي في التقدير الآمن).
التعامل مع التلاعب بالطابع الزمني: توضح الورقة أن التلاعب بالطابع الزمني يمكن نمذجته رياضياً كعدم تطابق في القياس (مما يجعله فعلياً حقناً للبيانات الزائفة)، مما يسمح لدمج $\ell_1$ بالتعامل معه جنباً إلى جنب مع أنواع الهجمات الأخرى.

4. النتائج

تم التحقق من فعالية الخوارزمية من خلال عمليات محاكاة على نظام طاقة IEEE 14-bus (28 متغير حالة، 42 مستشعراً).

السيناريو 1 (بدون هجمات): أنتج المقدر الآمن المقترح (مع $\gamma$ مناسب) نتائج مطابقة لمرشح كالمان القياسي وWLS المرجعي، مما يؤكد المثالية في ظروف خلو النظام من الهجمات.
السينترو 2 (تحت الهجوم): تعرض النظام لمزيج من الهجمات:
- حقن بيانات زائفة في الناقل (Bus) رقم 3.
- تلاعب بالطابع الزمني في الناقل رقم 5.
- حجب خدمة (DoS) في الناقل رقم 4.
- توليد بيانات زائفة في الناقل رقم 2.
الأداء:
- فشل مرشح كالمان القياسي فشلاً ذريعاً، حيث أظهر أخطاء تقدير كبيرة.
- أدى مرشح كالمان القوي (Robust Kalman Filter) (طريقة موجودة مسبقاً) إلى أداء أفضل، لكنه لا يزال يظهر أخطاء كبيرة.
- حافظ المقدر الآمن المقترح على تقدير للحالة قريباً من الحالة الحقيقية، مع بقاء الأخطاء ضمن الحد الأعلى النظري المشتق من النظرية 3. لقد نجح في عزل المستشعرات الفاسدة وتخفيف تأثير جميع أنواع الهجمات الأربعة في آن واحد.

5. الأهمية

تقدم هذه الورقة مساهمة كبيرة في مجال أمن الأنظمة السيبرانية-الفيزيائية (CPS) من خلال معالجة نموذج تهديد واقعي ومعقد.

الواقعية: على عكس العديد من الأعمال السابقة التي تفترض أخذ عينات متزامن ودوري، يتناول هذا العمل بيانات غير متزامنة وغير دورية، وهو أمر شائع في الأنظمة الموزعة واسعة النطاق (مثل شبكات الطاقة وشبكات المياه) ولكنه يفرض ثغرات فريدة مثل تزييف الطابع الزمني.
القوة: من خلال الجمع بين التقدير اللامركزي وتنظيم $\ell_1$ ، تقدم الطريقة ضماناً رياضياً صارماً للأمن دون الحاجة إلى سلطة مركزية موثوقة للتحقق من كل مستشعر.
الحفاظ على المثالية: الإنجاز الرئيسي هو أن آلية الأمان لا تقلل من الأداء عندما يكون النظام آمناً؛ بل تعود إلى مرشح كالمان الأمثل، مما يتجنب "التحفظ" الذي غالباً ما تجده طرق التقدير القوية (مثل المرشحات القائمة على الوسيط).

باختاً، توفر الورقة إطاراً سليماً نظرياً ومثبتاً عملياً لتأمين تقدير الحالة في الأنظمة التحكم الحديثة غير المتزامنة ضد الهجمات السيبرانية المتطورة ومتعددة المتجهات.