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

यहाँ शोध पत्र "Secure Filtering against Spatio-Temporal False Data Attacks under Asynchronous Sampling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र निरंतर लीनियर टाइम-इनवेरिएंट (LTI) प्रणालियों के लिए सुरक्षित अवस्था अनुमान (secure state estimation) की समस्या को संबोधित करता है, जो ऐसे सेंसरों से लैस हैं जो गैर-आवधिक (non-periodic) और एसिंक्रोनस सैंपलिंग (asynchronous sampling) के तहत कार्य करते हैं। इस सेटअप में, सेंसर एक फ्यूजन सेंटर को सेंसर इंडेक्स, सैंपलिंग टाइम-स्टैम्प और मेजरमेंट वैल्यू का त्रिक (triple) प्रसारित करते हैं।

यह प्रणाली स्थानिक-कालिक मिथ्या डेटा हमलों (spatio-temporal false data attacks) के प्रति संवेदनशील है, जहाँ एक हमलावर इन मेजरमेंट ट्रिपल्स को चार अलग-अलग तरीकों से (या उनके संयोजन से) हेरफेर कर सकता है:

1. मिथ्या-डेटा इंजेक्शन (False-data injection): सही टाइम-स्टैम्प रखते हुए मेजरमेंट वैल्यू को बदलना।
2. टाइम-स्टैम्प हेरफेर (Time-stamp manipulation): सही मेजरमेंट वैल्यू रखते हुए टाइम-स्टैम्प को बदलना (जिससे टेम्पोरल मिसअलाइनमेंट होता है)।
3. सेवा से इनकार (Denial-of-Service - DoS): मेजरमेंट ट्रिपल्स के प्रसारण को रोकना।
4. मिथ्या-डेटा जनरेशन (False-data generation): मनमाने टाइम-स्टैम्प के साथ पूरी तरह से नए, निर्मित मेजरमेंट ट्रिपल्स इंजेक्ट करना।

लक्ष्य एक विकेंद्रीकृत अनुमान एल्गोरिदम (decentralized estimation algorithm) डिजाइन करना है जो एक समान रूप से सीमित त्रुटि (uniformly bounded error) के साथ अवस्था अनुमान (state estimate) प्रदान करे, चाहे हमले मौजूद हों या नहीं, बशर्ते कि समझौता किए गए सेंसरों की संख्या एक निश्चित सीमा ($p$-sparse attacks) से कम हो।

2. कार्यप्रणाली (Methodology)

प्रस्तावित समाधान कलमन फ़िल्टर (Kalman Filter - KF) के अपघटन (decomposition) और एक रोबस्ट ऑप्टिमाइज़ेशन फ्यूजन योजना पर आधारित एक विकेंद्रीकृत अनुमान एल्गोरिदम है।

A. एसिंक्रोनस सैंपलड-डेटा KF अपघटन

लेखक पहले एसिंक्रोनस सिस्टम के लिए एक आधारभूत "ओरेकल KF" (मान लेते हुए कि कोई हमला नहीं है) स्थापित करते हैं। वे इस ग्लोबल KF को प्रत्येक सेंसर पर चलने वाले स्थानीय अनुमानकों (local estimators) ($\zeta_i[k]$) के एक सेट में विभाजित करते हैं।

• ग्लोबल स्टेट एस्टीमेट इन स्थानीय अनुमानों का योग है: $\hat{x}[k] = \sum \zeta_i[k]$।
• स्थानीय अनुमान स्थिर हैं और वास्तविक अवस्था के एक रैखिक रूपांतरण ($G_i[k]x[k]$) की ओर अभिसरित (converge) होते हैं।
• यह अपघटन सिस्टम को समझौता किए गए सेंसरों से संबंधित विशिष्ट स्थानीय अनुमानकों तक हमलों के प्रभाव को अलग करने की अनुमति देता है।

B. वेटेड लीस्ट स्क्वायर्स (WLS) फ्यूजन

हमलों की अनुपस्थिति में, लेखक इन स्थानीय अनुमानों को एक वेटेड लीस्ट स्क्वायर्स (WLS) ऑप्टिमाइज़ेशन समस्या का उपयोग करके फ्यूज करने का प्रस्ताव करते हैं।

• उद्देश्य: एक बाधा (constraint) के अधीन एक वेटेड एरर टर्म को न्यूनतम करना, जो यह सुनिश्चित करती है कि फ्यूज किया गया स्टेट स्थानीय अनुमानों से मेल खाता हो।
• परिणाम: थ्योरम 1 सिद्ध करता है कि इस WLS समस्या का समाधान ग्लोबल ओरेकल KF के इष्टतम (optimal) स्टेट एस्टीमेट को सटीक रूप से रिकवर करता है।

C. $\ell_1$ रेगुलराइजेशन के साथ सुरक्षित फ्यूजन

हमलों को कम करने के लिए, WLS समस्या को $\ell_1$ रेगुलराइजेशन टर्म (Lasso रिग्रेशन के समान) पेश करके संशोधित किया जाता है।

• ऑप्टिमाइज़ेशन समस्या:
  $$\min_{\check{x}, \mu, \vartheta} \frac{1}{2}\mu^\top \tilde{W}^{-1} \mu + \gamma \|\vartheta\|_1$$
  विषय: $V[k]\zeta[k] = H\check{x}[k] + \mu[k] + \vartheta[k]$
  • $\check{x}$: सुरक्षित अवस्था अनुमान (secure state estimate)।
  • $\mu$: प्रोसेस/मेजरमेंट नॉइज़ के कारण होने वाला अनुमान त्रुटि (estimation error) को दर्शाता है।
  • $\vartheta$: स्पार्स अटैक वेक्टर (sparse attack vector) को दर्शाता है। $\ell_1$ नॉर्म स्पर्सिटी (sparsity) को प्रोत्साहित करता है, जो प्रभावी रूप से एल्गोरिदम को समझौता किए गए सेंसरों (जहाँ $\vartheta \neq 0$) की पहचान करने और उन्हें अलग करने के लिए मजबूर करता है, जबकि उनके दुर्भावनापूर्ण डेटा को अनदेखा करता है।
• तंत्र (Mechanism): $\gamma$ को इस तरह ट्यून किया जाता है कि यदि हमला किए गए सेंसरों की संख्या ऑब्जर्वेबिलिटी रेडंडेंसी लिमिट के भीतर है, तो एल्गोरिदम हमला वेक्टर की सही पहचान करता है और उसे स्टेट गणना से बाहर कर देता है।

3. मुख्य योगदान (Key Contributions)

1. नवीन हमला मॉडल: यह शोध पत्र इंटीग्रिटी हमलों (इंजेक्शन), उपलब्धता हमलों (DoS), और टेम्पोरल हमलों (टाइम-स्टैम्प हेरफेर) को एक एकल स्थानिक-कालिक मिथ्या डेटा हमले (spatio-temporal false data attack) फ्रेमवर्क में एकीकृत करता है। यह विशेष रूप से एसिंक्रोनस सिस्टम में टाइम-स्टैम्प हेरफेर की चुनौती को संबोधित करता है, जो मौजूदा साहित्य में एक अंतराल है।
2. विकेंद्रीकृत सुरक्षित अनुमानक: लेखक एक नया एल्गोरिदम प्रस्तावित करते हैं जो:
   • हमलों की अनुपस्थिति में इष्टतम कलमन अनुमान (optimal Kalman estimate) को सटीक रूप से रिकवर करता है।
   • हमलों के तहत समान रूप से सीमित त्रुटियों के साथ सुरक्षित अनुमान प्रदान करता है, जहाँ त्रुटि का स्तर हमले की तीव्रता से स्वतंत्र होता है और केवल सिस्टम मापदंडों और "ओरेकल" प्रदर्शन पर निर्भर करता है।
3. सैद्धांतिक गारंटी:
   • थ्योरम 2: यह सिद्ध करता है कि $\gamma$ पर एक विशिष्ट स्थिति के तहत, सुरक्षित अनुमानक हमलों की अनुपस्थिति में इष्टतम KF के समान होता है।
   • थ्योरम 3: यह सिद्ध करता है कि $p$-sparse हमलों की उपस्थिति में, अनुमान त्रुटि सीमित रहती है। यह सीमा इस बात पर निर्भर करती है कि सिस्टम $2p$-sparse ऑब्जर्वेबल है (जो सुरक्षित अनुमान में एक मानक रेडंडेंसी धारणा है)।
4. टाइम-स्टैम्प हेरफेर को संभालना: यह शोध पत्र प्रदर्शित करता है कि टाइम-स्टैम्प हेरफेर को गणितीय रूप से एक मेजरमेंट मिसमैच (प्रभावी रूप से एक मिथ्या-डेटा इंजेक्शन) के रूप में मॉडल किया जा सकता है, जिससे $\ell_1$-रेगुलराइज्ड फ्यूजन को अन्य प्रकार के हमलों के साथ इसे संभालने की अनुमति मिलती है।

4. परिणाम (Results)

एल्गोरिदम की प्रभावशीलता को IEEE 14-बस पावर सिस्टम (28 स्टेट वेरिएबल्स, 42 सेंसर) पर सिमुलेशन के माध्यम से सत्यापित किया गया।

• परिदृश्य 1 (कोई हमला नहीं): प्रस्तावित सुरक्षित अनुमानक (उपयुक्त $\gamma$ के साथ) ने मानक कलमन फ़िल्टर और बेसलाइन WLS के समान परिणाम दिए, जो हमले-मुक्त स्थितियों में इष्टतमता की पुष्टि करते हैं।
• परिदृश्य 2 (हमले के तहत): सिस्टम को मिश्रित हमलों के अधीन किया गया:
  • बस 3 पर मिथ्या-डेटा इंजेक्शन।
  • बस 5 पर टाइम-स्टैम्प हेरफेर।
  • बस 4 पर DoS।
  • बस 2 पर मिथ्या-डेटा जनरेशन।
• प्रदर्शन:
  • मानक कलमन फ़िल्टर विफल रहा, जिससे बड़ी अनुमान त्रुटियां दिखाई दीं।
  • एक रोबस्ट कलमन फ़िल्टर (मौजूदा विधि) ने बेहतर प्रदर्शन किया लेकिन फिर भी महत्वपूर्ण त्रुटियां प्रदर्शित कीं।
  • प्रस्तावित सुरक्षित अनुमानक ने वास्तविक अवस्था के करीब एक स्टेट एस्टीमेट बनाए रखा, जिसमें त्रुटियां थ्योरम 3 में प्राप्त सैद्धांतिक ऊपरी सीमा के भीतर रहीं। इसने सफलतापूर्वक समझौता किए गए सेंसरों को अलग किया और सभी चार प्रकार के हमलों के प्रभाव को कम किया।

5. महत्व (Significance)

यह शोध पत्र साइबर-फिजिकल सिस्टम (CPS) सुरक्षा के क्षेत्र में एक महत्वपूर्ण योगदान देता है, जो एक यथार्थवादी और जटिल खतरे के मॉडल को संबोधित करता है।

• यथार्थवाद: कई पूर्व कार्यों के विपरीत, जो सिंक्रोनस, आवधिक सैंपलिंग मानते हैं, यह कार्य एसिंक्रोनस और गैर-आवधिक डेटा को संबोधित करता है, जो बड़े पैमाने के वितरित सिस्टम (जैसे पावर ग्रिड, वॉटर नेटवर्क) में सामान्य है, लेकिन टाइम-स्टैम्प स्पूफिंग जैसे अद्वितीय खतरों को भी पेश करता है।
• मजबूती (Robustness): विकेंद्रीकृत अनुमान को $\ell_1$ रेगुलराइजेशन के साथ जोड़कर, यह विधि बिना किसी केंद्रीय विश्वसनीय प्राधिकरण की आवश्यकता के सुरक्षा की एक कठोर गणितीय गारंटी प्रदान करती है।
• इष्टतमता संरक्षण (Optimality Preservation): एक प्रमुख उपलब्धि यह है कि सुरक्षा तंत्र सुरक्षित होने पर प्रदर्शन को कम नहीं करता है; यह इष्टतम कलमन फ़िल्टर में वापस आ जाता है, जिससे वह "रूढ़िवादिता" (conservatism) से बच जाता है जो अक्सर रोबस्ट अनुमान विधियों (जैसे मीडियन-आधारित फिल्टर) में देखी जाती है।

संक्षेप में, यह शोध पत्र आधुनिक, एसिंक्रोनस कंट्रोल सिस्टम में परिष्कृत, मल्टी-वेक्टर साइबर-हमलों के खिलाफ स्टेट एस्टीमेशन को सुरक्षित करने के लिए एक सैद्धांतिक रूप से सुदृढ़ और व्यावहारिक रूप से सत्यापित ढांचा प्रदान करता है।