Resumen Técnico: Detección de Ataques mediante Modelos Fundacionales de Series Temporales

Declaración del Problema

Este artículo aborda el desafío de detectar ataques cibernéticos en Sistemas Ciberfísicos (CPS) donde el operador posee ningún conocimiento del modelo de la planta (ni de su estructura ni de sus parámetros). El escenario involucra una planta ubicada remotamente que transmite mediciones de sensores a través de una red susceptible a la manipulación. Los autores se centran en dos clases específicas de ataques:

1. Ataques de repetición (replay) sin modelo: Donde un atacante reproduce datos legítimos grabados (por ejemplo, al estilo de Stuxnet), lo que no requiere conocimiento del sistema.
2. Ataques sigilosos basados en modelos: Donde un atacante con conocimiento total del sistema diseña entradas para sesgar al máximo la estimación de estado mientras permanece indetectado por un detector primario de $\chi^2$ basado en modelos ($g_p$).

La pregunta central de investigación es si los modelos fundacionales de series temporales pueden servir como un detector secundario "libre de estructura de modelo" ($g_s$) para identificar estos ataques, incluyendo aquellos diseñados específicamente para evadir los detectores tradicionales basados en modelos ($g_p$).

Metodología

1. Construcción de un Ataque Sigiloso Óptimo

Para establecer una base rigurosa de detección, los autores primero derivan expresiones en forma cerrada para la política de ataque sigiloso óptima contra un detector $\chi^2$.

• Sistemas Lineales de Tiempo Invariante (LTI): Para sistemas con un observador estático (por ejemplo, Luenberger o Kalman en estado estacionario), los autores derivan el vector de ataque que maximiza el error de estimación sujeto a la restricencia de que la estadística de detección permanezca por debajo del umbral con una probabilidad especificada.
• Sistemas No Lineales: Para sistemas que emplean un Filtro de Kalman Extendido (EKF), los autores derivan una solución aproximada en forma cerrada utilizando la linealización de primer orden de la dinámica de desviación.
• Perspectiva Clave: Estos ataques derivados son matemáticamente garantizados como sigilosos contra el detector basado en modelos primario ($g_p$) por construcción, siempre que el atacante posea conocimiento total del modelo.

2. Algoritmo de Detección Basado en TimesFM

La solución propuesta reemplaza el generador de residuos basado en modelos por TimesFM, un modelo fundacional de series temporales desarrollado por Google Research.

• Operación Zero-Shot: TimesFM opera sin ningún entrenamiento, ajuste fino (fine-tuning) o reentrenamiento sobre los datos específicos de la planta. Aprovecha el preentrenamiento en miles de millones de puntos de datos de series temporales diversas.
• Generación de Residuos Sustitutos: El algoritmo trata las predicciones de TimesFM como un sustituto del comportamiento esperado del sistema. El residuo se define como la diferencia entre la medición del sensor real (potencialmente corrompida) y la predicción de TimesFM.
• Estadística de Detección: Se aplica una prueba $\chi^2$ a estos residuos de predicción.
• Mecanismo de Mitigación: Al detectar un ataque, el algoritmo puede reemplazar las mediciones corrompidas con las predicciones puntuales de TimesFM para mantener la estimación de estado, actuando efectivamente como un sustituto de redundancia cuando los supuestos clásicos de redundancia de sensores fallan.

Flujo de Trabajo del Algoritmo:

1. Calentamiento (Warmup): TimesFM observa una ventana de datos pasados para formar predicciones.
2. Estimación de Covarianza: Se utiliza una ventana de datos limpios para estimar la covarianza de los residuos de predicción bajo operación nominal.
3. Detección en Línea: Se calcula una estadística $\chi^2$. Si se genera una alarma, el búfer no se actualiza con la medición corrompida, evitando la contaminación de futuras predicciones.

Principales Contribuciones

1. Políticas de Ataque Óptimas en Forma Cerrada: El artículo proporciona las primeras expresiones en forma cerrada para ataques sigilosos óptimos contra detectores $\chi^2$ tanto para sistemas LTI como no lineales, asumiendo que el atacante tiene conocimiento total del modelo.
2. Detección Libre de Estructura de Modelo: Los autores proponen y validan un detector basado en TimesFM que no requiere un modelo explícito del sistema. Este detector opera de manera zero-shot, distinguiéndose de los métodos tradicionales basados en datos que requieren entrenamiento específico para la tarea y ajuste de hiperparámetros.
3. Robustez contra Ataques Sigilosos: El artículo demuestra que los ataques diseñados para ser perfectamente sigilosos contra detectores basados en modelos son detectados de manera fiable por el detector basado en TimesFM. Esto se atribuye al hecho de que TimesFM carece de la "estructura de innovación" específica que los atacantes basados en modelos explotan.
4. Mitigación vía Predicción: El trabajo demuestra empíricamente que las predicciones de TimesFM pueden sustituir a las mediciones corrompidas, permitiendo una estimación de estado robusta incluso cuando el número de sensores comprometidos viola los supuestos estándar de redundancia de observabilidad (por ejemplo, $N-2M$ sensores).

Resultados Experimentales

La eficacia del enfoque propuesto fue validada en dos sistemas:

1. Sistema Masa-Resorte Sin Amortiguamiento (Lineal)

• Ataques de Repetición (Replay): El detector TimesFM logró una Tasa de Falsas Alarmas (FAR) del 0.5% (frente al 2.8% del detector basado en observador) y mantuvo la detección durante todo el ataque, mientras que las alarmas del detector basado en el observador fueron intermitentes e indistinguibles del ruido.
• Ataques Sigilosos: Los ataques construidos usando el Teorema 1 fueron indetectables por el detector basado en EKF (la FAR se mantuvo en niveles nominales), pero fueron detectados consistentemente por TimesFM.
• Ataque de Sensor Único: En un escenario donde el único sensor disponible estaba comprometido (violando la redundancia estándar), el observador protegido por TimesFM logró un error de reconstrucción de estado significativamente menor que el observador no protegido.
• Atacante Adaptativo: Contra un atacante adaptativo que utiliza SPSA para evadir ambos detectores simultáneamente, la presencia del detector TimesFM redujo el impacto del atacante 91 veces en comparación con un atacante dirigido solo al detector basado en modelos.

2. Sistema de Potencia IEEE 14-Bus (No Lineal)

• Configuración: Un modelo de ecuación de oscilación (swing equation) no lineal con 14 barras y 20 líneas de transmisión.
• Ataques de Repetición (Replay): TimesFM activó alarmas consistentemente durante toda la duración del ataque. El detector basado en EKF solo detectó el ataque durante la fase inicial, antes de que los datos reproducidos se volvieran indistinguibles del comportamiento nominal en el residuo basado en el modelo.
• Ataques Sigilosos: Utilizando la política de ataque no lineal del Teorema 2, el detector EKF no activó ninguna alarma. En contraste, TimesFM detectó el ataque en todos los ensayos.
• Validez Estadística: Una prueba de Shapiro-Wilk confirmó que los residuos de predicción bajo operación nominal eran aproximadamente gaussianos, justificando el uso de la estadística de la prueba $\chi^2$.

Significado y Reivindicaciones

Los autores posicionan este trabajo como un paso significativo hacia la defensa en profundidad en la seguridad de los CPS. Al enmarcar el detector TimesFM como una "segunda capa de defensa" (inspirada en el Modelo del Queso Suizo), el artículo argumenta que:

• Ventaja de la Ausencia de Modelo: A diferencia de los detectores tradicionales que dependen de modelos explícitos del sistema, la falta de una estructura de innovación de forma cerrada en TimesFM hace que sea inherentemente más difícil construir ataques sigilosos para los atacantes basados en modelos.
• Capacidad Plug-and-Play: La naturaleza zero-shot de TimesFM elimina la necesidad de reentrenamiento o identificación del sistema, lo que lo convierte en una solución práctica para sistemas no lineales genéricos donde el conocimiento del modelo es inexistente o poco fiable.
• Más Allá de la Detección: El artículo afirma que los modelos fundacionales pueden cumplir un doble rol: no solo como detectores, sino también como herramientas prácticas de mitigación para restaurar la estimación de estado cuando la redundancia de sensores se ve comprometida.

El artículo concluye que este es, según el conocimiento de los autores, el primer trabajo que propone un detector zero-shot basado en modelos fundacionales y libre de estructura de modelo, capaz de manejar tanto ataques de repetición como ataques sigilosos basados en modelos en presencia de ruido.