⚡ electrical engineering

Attack Detection using Time Series Foundation Models

Cet article propose un cadre de détection et d'atténuation d'attaques sans modèle pour les systèmes cyber-physiques qui exploite le modèle de fondation de séries temporelles TimesFM en tant que générateur de résidus substitut zero-shot pour identifier efficacement les attaques de rejeu et les attaques furtives, même sans connaissance de la dynamique sous-jacente du système.

Auteurs originaux : Sribalaji C. Anand, Anh Tung Nguyen, George J. Pappas

Publié 2026-06-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sribalaji C. Anand, Anh Tung Nguyen, George J. Pappas

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une centrale électrique ou une usine isolée qui envoie un flux constant de données (comme la température, la vitesse ou la tension) à un opérateur de salle de contrôle via Internet. Le travail de l'opérateur est de surveiller ces données pour s'assurer que tout fonctionne normalement.

Le problème est que des pirates peuvent intercepter cette connexion Internet. Ils peuvent soit enregistrer les données et les rejouer plus tard (une attaque par rejeu ou « Replay Attack ») pour masquer le fait qu'une machine est en train de tomber en panne, soit modifier mathématiquement les chiffres (une attaque furtive ou « Stealthy Attack ») pour que la machine semble fonctionner normalement alors qu'elle est en train d'être sabotée.

Traditionnellement, pour démasquer ces pirates, l'opérateur a besoin d'un « plan » parfait (un modèle mathématique) de la manière dont la machine devrait se comporter. Si le pirate connaît aussi ce plan, il peut tromper le système d'alarme de l'opérateur.

Ce document propose une nouvelle solution qui ne nécessite aucun plan. À la place, il utilise une IA super intelligente appelée TimesFM (développée par Google) qui a lu des milliards de modèles de données de séries temporelles provenant du monde entier.

Voici la décomposition de leur approche utilisant des analogies simples :

1. Les deux couches de sécurité (Le modèle du fromage suisse)

Considérez la sécurité comme un bloc de fromage suisse.

La Couche 1 (Le Gardien Traditionnel) : Il s'agit du système d'alarme standard. Il connaît le plan de la machine. Si les chiffres ne correspondent pas au plan, il hurle « Alarme ! »
- Faiblesse : Si le pirate connaît le plan, il peut écrire un « sortilège magique » (une attaque furtive) qui fait en sorte que les chiffres paraissent parfaits pour ce garde, alors même que la machine est en train d'être détruite.
La Couche 2 (Le Nouveau Gardien IA - TimesFM) : C'est la nouvelle invention du document. Ce garde ne connaît pas le plan. Il n'a jamais vu cette machine spécifique auparavant. Au lieu de cela, il agit comme un super prévisionniste météo. Il observe l'historique récent des données et dit : « D'après les milliards de modèles que j'ai vus, le prochain chiffre devrait être celui-ci. »

2. Comment fonctionne le détecteur IA

Le garde IA fonctionne en trois étapes simples :

Mise en route (Warm-up) : Il observe les données pendant un certain temps pour prendre le rythme.
Prédiction : Il devine quel devrait être le prochain chiffre.
Le test de la « Surprise » : Il compare le chiffre réel envoyé par la machine avec son propre pronostic.
- Si la machine est honnête, la prédiction et la réalité sont proches (comme une prévision météo qui est globalement juste).
- Si un pirate simule les données, le « sortilège magique » qui a trompé le Gardien du Plan paraîtra étrange pour l'IA. La prédiction de l'IA sera totalement différente du faux chiffre du pirate, et l'alarme se déclenchera.

3. Les deux types de pirates qu'ils ont capturés

Les chercheurs ont testé cela contre deux types de méchants :

L'Enregistreur (Attaque par rejeu) : Imaginez un pirate qui enregistre une vidéo d'une rivière calme et la joue en boucle alors que la vraie rivière est en train de déborder. Le Gardien du Plan pourrait être trompé car la vidéo semble normale. Mais le Gardien IA, observant le contexte de l'ensemble du système, réalise : « Attendez, le vent souffle fort, mais la vidéo de la rivière ne montre aucune vague. C'est un faux ! »
Le Magicien des Mathématiques (Attaque furtive) : Ce pirate connaît parfaitement les mathématiques du Gardien du Plan et modifie les chiffres juste assez pour réussir son test. Cependant, comme le Gardien IA n'utilise pas la même mathématique, il ne voit pas l'astuce. Le Gardien IA voit un modèle qui ne correspond pas à l'« histoire » de l'historique des données et déclenche une alarme.

4. La « Sauvegarde Magique » (Atténuation)

Le document a également découvert un effet secondaire intéressant. Si les pirates parviennent à corrompre les capteurs au point que l'opérateur ne puisse plus faire confiance aux données réelles, le Gardien IA peut en fait deviner ce que les données réelles devraient être.

Analogie : Imaginez que le compteur de vitesse de votre voiture est cassé et bloqué à 0 mph. Un mécanicien normal serait bloqué. Mais cette IA est comme un passager qui sait à quelle vitesse vous devriez rouler en se basant sur le bruit du moteur et la route. Elle peut combler les informations manquantes pour que le conducteur puisse continuer à conduire en toute sécurité.

5. Les Résultats

Les chercheurs ont testé cela sur une simulation réelle d'un réseau électrique (le système IEEE 14-bus).

Le Gardien du Plan a souvent échoué à attraper les pirates « Magicien des Mathématiques » car les pirates étaient trop doués pour suivre les règles.
Le Gardien IA en a attrapé presque tous, même ceux conçus pour être invisibles au Gardien du Plan.
Il a également bien fonctionné lorsque le système était bruité ou lorsque les capteurs étaient défectueux.

L'essentiel

Ce document montre qu'il n'est pas nécessaire de connaître les plans secrets d'une machine pour la protéger. En utilisant une IA à usage général qui comprend comment les données « circulent » au fil du temps, on peut repérer les pirates qui tentent de se cacher à la vue de tous. C'est comme embaucher un détective qui ne connaît pas l'alibi du suspect, mais qui est si doué pour repérer les incohérences dans un récit que le mensonge s'effondre immédiatement.

Résumé technique : Détection d'attaques utilisant des modèles de fondation pour séries temporelles

Énoncé du problème

Cet article traite du défi de la détection d'attaques cybernétiques dans les systèmes cyber-physiques (CPS) où l'opérateur ne possède aucune connaissance du modèle de la plante (ni sa structure, ni ses paramètres). Le scénario implique une plante située à distance transmettant des mesures de capteurs via un réseau susceptible d'être altéré. Les auteurs se concentrent sur deux classes spécifiques d'attaques :

Attaques par rejeu sans modèle (model-free replay attacks) : où un attaquant rejoue des données légitimes enregistrées (par exemple, de type Stuxnet), ne nécessitant aucune connaissance du système.
Attaques furtives basées sur un modèle (model-based stealthy attacks) : où un attaquant possédant une connaissance complète du système conçoit des entrées pour biaiser au maximum l'estimation de l'état tout en restant indétectable par un détecteur primaire basé sur un $\chi^2$ (chi-deux).

La question de recherche centrale est de savoir si les modèles de fondation pour séries temporelles peuvent servir de détecteur secondaire ( $g_s$ ) « sans structure de modèle » pour identifier ces attaques, y compris celles spécifiquement conçues pour échapper aux détecteurs traditionnels basés sur un modèle ( $g_p$ ).

Méthodologie

1. Construction d'une attaque furtive optimale

Pour établir une base de référence rigoureuse pour la détection, les auteurs dérivent d'abord des expressions sous forme close de la politique d'attaque furtive optimale contre un détecteur $\chi^2$ primaire.

Systèmes Linéaires Invariants dans le Temps (LTI) : Pour les systèmes dotés d'un observateur statique (par exemple, Luenberger ou Kalman en régime permanent), les auteurs dérivent le vecteur d'attaque qui maximise l'erreur d'estimation sous la contrainte que la statistique de détection reste inférieure au seuil avec une probabilité spécifiée.
Systèmes Non Linéaires : Pour les systèmes employant un filtre de Kalman étendu (EKF), les auteurs dérivent une solution approchée sous forme close en utilisant la linéarisation du premier ordre de la dynamique des écarts.
Insight Clé : Ces attaques dérivées sont mathématiquement garanties comme étant furtives contre le détecteur basé sur le modèle primaire ( $g_p$ ) par construction, à condition que l'attaquant possède une connaissance complète du modèle.

2. Algorithme de détection basé sur TimesFM

La solution proposée remplace le générateur de résidus basé sur le modèle par TimesFM, un modèle de fondation de séries temporelles développé par Google Research.

Fonctionnement Zero-Shot : TimesFM fonctionne sans aucun entraînement, ajustement (fine-tuning) ou réentraînement sur les données spécifiques de la plante. Il exploite un pré-entraînement sur des milliards de points de données de séries temporelles diversifiées.
Génération de Résidus de Substitution : L'algorithme traite les prédictions de TimesFM comme un substitut du comportement attendu du système. Le résidu est défini comme la différence entre la mesure de capteur réelle (potentiellement corrompue) et la prédiction de TimesFM.
Statistique de Détection : Un test $\chi^2$ est appliqué à ces résidus de prédiction.
Mécanisme de Mitigation : Lors de la détection d'une attaque, l'algorithme peut remplacer les mesures corrompues par les prédictions ponctuelles de TimesFM pour maintenir l'estimation de l'état, agissant ainsi comme un substitut de redondance lorsque les hypothèses classiques de redondance de capteurs échouent.

Flux de travail de l'algorithme :

Warmup (Préchauffage) : TimesFM observe une fenêtre de données passées pour former des prédictions.
Estimation de la Covariance : Une fenêtre de données propres est utilisée pour estimer la covariance des résidus de prédiction lors d'un fonctionnement nominal.
Détection en ligne : Une statistique $\chi^2$ est calculée. Si une alarme est déclenchée, le tampon n'est pas mis à jour avec la mesure corrompue, empêchant ainsi la contamination des prédictions futures.

Contributions Clés

Politiques d'Attaque Optimales en Forme Close : L'article fournit les premières expressions en forme close pour les attaques furtives optimales contre les détecteurs $\chi^2$ pour les systèmes LTI et non linéaires, en supposant que l'attaquant possède une connaissance complète du modèle.
Détection Sans Structure de Modèle : Les auteurs proposent et valident un détecteur basé sur TimesFM qui ne nécessite aucun modèle de système explicite. Ce détecteur fonctionne de manière zero-shot, ce qui le distingue des méthodes traditionnelles basées sur les données qui nécessitent un entraînement spécifique à la tâche et un réglage des hyperparamètres.
Robustesse face aux Attaques Furtives : L'article démontre que les attaques conçues pour être parfaitement furtives contre les détecteurs basés sur le modèle sont détectées de manière fiable par le détecteur basé sur TimesFM. Cela est attribué au fait que TimesFM ne possède pas la « structure d'innovation » spécifique que les attaquants basés sur le modèle exploitent.
Mitigation via la Prédiction : Le travail montre empiriquement que les prédictions de TimesFM peuvent substituer les mesures corrompues, permettant une estimation d'état robuste même lorsque le nombre de capteurs compromis viole les hypothèses de redondance d'observabilité standard (par exemple, $N-2M$ capteurs).

Résultats Expérimentaux

L'efficacité de l'approche proposée a été validée sur deux systèmes :

1. Système Masse-Ressort Non Amorti (Linéaire)

Attaques par Rejeu : Le détecteur TimesFM a atteint un taux de fausse alarme (FAR) de 0,5 % (contre 2,8 % pour le détecteur basé sur l'observateur) et a maintenu la détection tout au long de l'attaque, alors que les alarmes du détecteur basé sur l'observateur étaient intermittentes et indiscernables du bruit.
Attaques Furtives : Les attaques construites à l'aide du Théorème 1 étaient indétectables par le détecteur basé sur l'EKF (le FAR restait au niveau nominal) mais étaient systématiquement détectées par TimesFM.
Attaque sur Capteur Unique : Dans un scénario où le seul capteur disponible était compromis (violant la redondance standard), l'observateur protégé par TimesFM a obtenu une erreur de reconstruction d'état nettement inférieure à celle de l'observateur non protégé.
Attaquant Adaptatif : Contre un attaquant adaptatif utilisant SPSA pour échapper simultanément aux deux détecteurs, la présence du détecteur TimesFM a réduit l'impact de l'attaquant de 91 fois par rapport à un attaquant ciblant uniquement le détecteur basé sur le modèle.

2. Système Électrique IEEE 14-Bus (Non Linéaire)

Configuration : Un modèle d'équation de swing non linéaire avec 14 bus et 20 lignes de transmission.
Attaques par Rejeu : TimesFM a systématiquement déclenché des alarmes pendant toute la durée de l'attaque. Le détecteur basé sur l'EKF n'a détecté l'attaque que durant la phase initiale, avant que les données rejouées ne deviennent indiscernables du comportement nominal dans le résidu basé sur le modèle.
Attaques Furtives : En utilisant la politique d'attaque non linéaire du Théorème 2, le détecteur EKF n'a déclenché aucune alarme. En revanche, TimesFM a détecté l'attaque dans tous les essais.
Validité Statistique : Un test de Shapiro-Wilk a confirmé que les résidus de prédiction sous fonctionnement nominal étaient approximativement gaussiens, justifiant l'utilisation de la statistique de test $\chi^2$ .

Signification et Revendications

Les auteurs positionnent ce travail comme une étape significative vers la défense en profondeur dans la sécurité des CPS. En présentant le détecteur TimesFM comme une « seconde couche de défense » (inspirée du modèle du fromage suisse), l'article soutient que :

Avantage du Modèle-Free : Contra�à les détecteurs traditionnels qui reposent sur des modèles de système explicites, l'absence de structure d'innovation à forme close de TimesFM le rend intrinsèquement plus difficile à contourner pour les attaquants basés sur le modèle.
Capacité Plug-and-Play : La nature zero-shot de TimesFM élimine le besoin de réentraînement ou d'identification de système, ce qui en fait une solution pratique pour les systèmes non linéaires génériques où les connaissances du modèle sont indisponibles ou peu fiables.
Au-delà de la Détection : L'article affirme que les modèles de fondation peuvent remplir un double rôle : non seulement comme détecteurs, mais aussi comme outils de mitigation pratiques pour restaurer l'estimation d'état lorsque la redondance des capteurs est compromise.

L'article conclut que ceci est, à la connaissance des auteurs, le premier travail proposant un détecteur zero-shot basé sur un modèle de fondation, sans structure de modèle, capable de gérer à la fois les attaques par rejeu et les attaques furtives basées sur le modèle en présence de bruit.