⚡ electrical engineering

Energy-Constrained False Data Injection Attacks in Cyber-Physical Systems Using Wasserstein Distance

Este artículo propone una estrategia de ataque de inyección de datos falsos con restricciones de energía para sistemas ciberfísicos que maximiza la covarianza del error de estimación terminal mientras mantiene la sigilosidad, cuantificada mediante la distancia de Wasserstein, a través de una señal de ataque y una política de programación optimizadas.

Autores originales: Jiawei Fu, Jianing Xin, Chenghan Wang, Tianju Sui

Publicado 2026-08-24

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jiawei Fu, Jianing Xin, Chenghan Wang, Tianju Sui

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La infraestructura moderna, desde las redes eléctricas hasta los vehículos autónomos, depende de un delicado matrimonio entre el mundo físico y las redes digitales. Estos sistemas, conocidos como sistemas ciberfísicos, utilizan sensores para medir condiciones del mundo real como la temperatura, la velocidad o la presión y envían esos datos a través de redes inalámbricas a una computadora central. Esta computadora actúa como un navegante, calculando constantemente el estado real del sistema para tomar decisiones críticas. Sin embargo, esta dependencia de la comunicación inalámbrica crea una vulnerabilidad: el flujo de datos puede ser interceptado y alterado. Un atacante no necesita destruir la máquina física; solo necesita convencer al navegante digital de que la máquina se está comportando de manera diferente a como lo hace en realidad. Si el navegante cree en una realidad falsa, podría desviar un avión de su curso o apagar una red eléctrica innecesariamente. El desafío para los investigadores de seguridad es comprender cómo un atacante podría ocultar estas mentiras dentro del ruido de los datos normales, haciendo que el engaño sea tan sutil que las alarmas integradas del sistema nunca suenen.

En un nuevo estudio, los investigadores Jiawei Fu, Jianing Xin, Chenghan Wang y Tianju Sui han trazado un mapa de una forma sofisticada en la que un atacante podría explotar estos sistemas manteniéndose oculto. Se centraron en un tipo específico de engaño llamado ataque de inyección de datos falsos, donde un adversario inyecta números falsos en el flujo de datos enviado desde un sensor a un estimador remoto. El objetivo de tal ataque no es colapsar el sistema inmediatamente, sino degradar lentamente la precisión de los cálculos de la computadora hasta que el sistema opere con una comprensión fundamentalmente errónea de la realidad. Los investigadores estaban particularmente interesados en cómo un atacante podría maximizar este daño enfrentando dos limitaciones estrictas: un suministro limitado de energía para alimentar el ataque y la necesidad de permanecer indetectado por los monitores estadísticos que vigilan las anomalías.

Para resolver esto, el equipo desarrolló una estrategia que trata el ataque como un problema de optimización matemática. Imaginaron un escenario donde un sensor inteligente envía un flujo de actualizaciones de datos, conocidos como innovaciones, a una computadora remota. Un atacante, situado en medio del enlace inalámbrico, debe decidir en cada momento si intercepta el mensaje y lo reemplaza con una versión corrupta. El atacante tiene una batería finita, lo que significa que no puede bloquear o corromper la señal en cada momento; debe elegir los momentos más dañinos para atacar. Además, si los datos corruptos se ven demasiado diferentes de los datos normales, los detectores del sistema detectarán la intrusión. Los investigadores necesitaban una forma de medir exactamente qué tan "diferentes" eran los datos falsos de los datos reales sin activar una alarma.

Los métodos anteriores para medir esta diferencia dependían de herramientas estadísticas que a veces fallaban al no capturar la imagen completa, especialmente al comparar distribios de probabilidad complejos. Los autores recurrieron a un concepto matemático más robusto llamado distancia de Wasserstein. En términos sencillos, esta métrica mide el esfuerzo requerido para transformar una distribución de datos en otra. Proporciona una forma precisa y basada en la geometría para cuantificar cuánto se ha alterado la forma estadística de los datos. Al utilizar esta medida, los investigadores pudieron asegurar que los datos falsos permanecieran estadísticamente lo suficientemente cerca de los datos reales como para engañar a los detectores, incluso mientras empujaban el error del sistema hacia su punto de ruptura.

El núcleo de su descubrimiento es un proceso de dos pasos para diseñar el ataque perfecto. Primero, determinaron la forma y la intensidad exacta de la señal de datos falsos que causaría el máximo error posible en el cálculo final, siempre que se mantuviera dentro del límite de sigilo. Encontraron que esta señal óptima podía calcularse en una forma cerrada precisa, lo que significa que existe una fórmula específica para la "mejor" mentira que decir en cualquier momento dado. Segundo, resolvieron el rompecabezas de cuándo contar esa mentira. Dado que el atacante tiene un presupuesto de energía limitado, no puede mentir continuamente. Los investigadores redujeron este problema de programación a una elección binaria: en cada paso de tiempo, el atacante lanza el ataque o permanece en silencio. Al resolver esto como un tipo específico de problema de programación entera, identificaron la secuencia exacta de momentos donde lanzar el ataque causaría el mayor daño acumulado a la precisión del sistema.

El equipo probó su teoría utilizando una simulación de un vehículo de vuelo, un sistema donde la estimación precisa del estado es crítica para la seguridad. Modelaron un escenario en el que el vehículo tenía tres sensores y un estimador remoto, y el atacante tenía un número limitado de "ataques" que podía lanzar durante un período de cien pasos de tiempo. Los resultados mostraron que su estrategia propuesta era significamente más dañina que los intentos aleatorios de interrumpir el sistema. Cuando el atacante utilizó la señal óptima calculada y el cronograma preciso, el error en la estimación del estado final del sistema creció mucho más que en cualquier otro escenario. La simulación también reveló un claro compromiso: cuanto más relaja el atacante su necesidad de sigilo (permitiendo que los datos se vean ligeramente más diferentes de lo normal), más daño puede infligir. Por el contrario, los requisitos de sigilo más estrictos obligan al atacante a ser más conservador, reduciendo el daño potencial. Del mismo modo, un mayor presupuesto de energía permite al atacante mantener la degradación durante más tiempo, lo que conduce a un error final más severo.

Este trabajo no propone una nueva arma para los atacantes, sino más bien un plano riguroso del peor escenario posible. Al demostrar que un atacante puede determinar matemáticamente la ruta más destructiva mientras permanece oculto, el estudio resalta la fragilidad de los sistemas actuales de estimación remota. Los hallazgos sugieren que monitorear simplemente las anomalías obvias es insuficiente, ya que un adversario sofisticado puede diseñar un engaño que sea estadísticamente indistinguible del ruido normal hasta que el daño esté hecho. Los investigadores concluyen que comprender estas rutas de ataque óptimas es esencial para diseñar mejores defensas, obligando a los diseñadores de sistemas a tener en cuenta a un adversario que no solo está adivinando, sino calculando el momento perfecto para atacar.

Resumen Técnico: Ataques de Inyección de Datos Falsos con Restricción de Energía en Sistemas Ciberfísicos mediante la Distancia de Wasserstein

Formulación del Problema
Esta investigación aborda el diseño de ataques de Inyección de Datos Falsos (FDI, por sus siglas en inglés) contra la estimación de estado remota en Sistemas Ciberfísicos (CPS). El escenario involucra sensores inteligentes que transmiten secuencias de innovación a través de una red inalámbrica hacia un estimador remoto, el cual utiliza un filtro de Kalman. Un adversario, limitado por un presupuesto de energía, busca degradar el rendimiento de la estimación del sistema inyectando perturbaciones en los datos transmitidos. El atacante debe tomar una decisión binaria en cada paso de tiempo con respecto a si lanza un ataque, sujeto a un límite total de ataques ( $\tau$ ) sobre un horizonte de tiempo finito $[0, T]$ .

El desafío central radica en equilibrar tres factores contrapuestos: maximizar la covarianza del error de estimación terminal (el objetivo del ataque), adherirse a una estricta restricción de energía y mantener la sigilosidad para evadir la detección. A diferencia de estudios previos que a menudo dependen de la divergencia de Kullback-Leibler (KL) para medir la sigilosidad, este artículo identifica las limitaciones del uso de la divergencia KL para distribuciones continuas y propone el uso de la distancia de Wasserstein para cuantificar la diferencia estadística entre las distribuciones de innovación nominal y atacada.

Metodología
Los autores formulan el diseño del ataque como un problema de optimización restringido. El objetivo es maximizar la traza de la covarianza del error de estimación terminal, $tr(P^a_{T|T})$ , sujeto a:

Restricción de Sigilosidad: La distancia de Wasserstein ( $W_2$ ) entre la distribución de probabilidad de la innovación atacada ( $\tilde{z}_k$ ) y la innovación nominal ( $z_k$ ) no debe exceder un umbral $\varepsilon$ .
Restricción de Energía: El número total de instancias de ataque activas ( $\sum \alpha_k$ ) no debe exceder $\tau$ .

Para resolver este problema acoplado, los autores emplean un enfoque de descomposición de dos etapas:

Etapa 1: Diseño de la Señal Óptima (Solución Analítica):
Dado un esquema de ataque fijo (es decir, conociendo cuándo $\alpha_k=1$ ), los autores derivan la covarianza de la señal de ataque óptima ( $\Psi_k$ ) que maximiza el error de covarianza cumpliendo con la restricción de Wasserstein. Al utilizar la expresión de forma cerrada de la distancia de Wasserstein para distribuciones gaussianas y aplicar multiplicadores de Lagrange, derivan una solución analítica para la $\Psi_k$ óptima. Esta solución depende de las matrices del sistema, la ganancia de Kalman y un parámetro escalar $\mu_k$ determinado por el umbral de sigilosidad.
Etapa 2: Programación Óptima (Programación Entera):
Con la señal óptima derivada analíticamente, el problema se reduce a determinar el esquema de ataque binario óptimo ( $\alpha_k \in \{0, 1\}$ ). Los autores reformulan la función objetivo para demostrar que el problema de programación es un problema de programación entera 0-1. Esta descomposición permite el uso de solvers estándar (por ejemplo, en MATLAB) para encontrar eficientemente los instantes de tiempo óptimos para lanzar ataques sin comprometer la optimalidad del diseño de la señal.

Contribuciones Clave
El artículo detalla tres contribuciones principales:

Modelo de FDI con Restricción de Energía: A diferencia de trabajos anteriores que asumen ataques continuos o ignoran los límites de energía, este estudio introduce un modelo de FDI donde el atacante gestiona explícitamente un presupuesto de energía finito para maximizar el error de estimación terminal.
Sigilosidad Basada en Wasserstein: Los autores proponen el uso de la distancia de Wasserstein como métrica de sigilosidad. Argumentan que es superior a la divergencia KL para este contexto porque es una métrica real, aplicable a distribuciones continuas e independiente de los esquemas de detección específicos utilizados por el estimador.
Marco de Optimización de Dos Etapas: El artículo presenta un método novedoso para resolver la optimización conjunta de señal y programación. Al derivar primero una solución analítica de forma cerrada para la señal de ataque, el complejo problema acoplado se reduce a un problema de programación entera 0-1 tratable para la programación, lo que reduce significativamente la complejidad computacional preservando la optimalidad.

Resultados
La estrategia propuesta se valida mediante una simulación utilizando un modelo de vehículo de vuelo discreto linealizado con tres sensores y un estimador remoto. La simulación compara la estrategia óptima propuesta contra varias líneas base:

Sin ataque.
Señales de ataque aleatorias con programación óptima.
Señales de ataque óptimas con programación aleatoria.

Los resultados demuestran que la estrategia de optimización conjunta propuesta produce el peor caso de rendimiento de estimación terminal (mayor covarianza de error) entre todos los escenarios probados. Además, el estudio analiza las compensaciones inherentes al diseño del ataque:

Sigilosidad vs. Efectividad: Relajar el umbral de sigilosidad ( $\varepsilon$ ) permite ataques más destructivos, mientras que las restricciones de sigilosidad más estrictas reducen el impacto del ataque.
Energía vs. Efectividad: Aumentar el presupuesto de energía ( $\tau$ ) permite al atacante infligir una degradación más severa en el estimador.

Significancia y Reivindicaciones
El artículo afirma que su enfoque proporciona un modelo de amenaza más realista al incorporar restricciones de energía, las cuales suelen pasarse por alto en los diseños de ataque teóricos. Al utilizar la distancia de Wasserstein, el estudio ofrece una medida de sigilosidad que es robusta e independiente de los detectores de anomalías específicos empleados por el sistema. Los autores sostienen que comprender estas estrategias de ataque óptimas es crucial para desarrollar mecanismos de defensa efectivos, particularmente para sistemas sensibles al tiempo donde la precisión de la estimación terminal es crítica. El trabajo tiene como objetivo caracterizar el rango de capacidad del atacante y sus límites máximos bajo restricciones de recursos, informando así la mejora de las estrategias de detección y mitigación.

Más como este