⚡ electrical engineering

A Nonlinear Incremental Approach for Replay Attack Detection

यह शोध पत्र ऑब्जर्वर-आधारित आउटपुट फीडबैक नियंत्रित प्रणालियों में रिप्ले अटैक डिटेक्शन के लिए एक नॉनलीनर इंक्रीमेंटल दृष्टिकोण प्रस्तावित करता है, जो एक वॉटरमार्क-आधारित डिज़ाइन फ्रेमवर्क पेश करता है जो इंक्रीमेंटल गेन्स के माध्यम से डिटेक्शन परफॉरमेंस और कंट्रोल लॉस के बीच के ट्रेड-ऑफ को मात्रात्मक रूप से निर्धारित करता है और वॉटरमार्क, कंट्रोलर और ऑब्जर्वर के सह-डिजाइन को सक्षम बनाता है।

मूल लेखक: Tao Chen, Andreu Cecilia, Lei Wang, Daniele Astolfi, Zhitao Liu

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tao Chen, Andreu Cecilia, Lei Wang, Daniele Astolfi, Zhitao Liu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक हाई-टेक फैक्ट्री (एक साइबर-फिजिकल सिस्टम) के सुरक्षा गार्ड हैं। इस फैक्ट्री का एक दिमाग है (एक कंप्यूटर) जो वायरलेस नेटवर्क के माध्यम से मशीनों (फिजिकल प्लांट) से बात करता है। मशीनें बताती हैं कि वे कैसा काम कर रही हैं (सेंसर डेटा), और दिमाग बताता है कि आगे क्या करना है (निर्देश)।

समस्या: "घोस्ट" (भूतिया) हमला

एक दिन, एक हैकर शरारत करने का फैसला करता है। चीजों को तोड़ने या नुकसान पहुँचाने के बजाय, वह बस फैक्ट्री के सामान्य संचालन को कुछ समय के लिए रिकॉर्ड करता है। फिर, वह उस रिकॉर्डिंग को "प्ले" करता है और पुराने, सामान्य रिपोर्ट वापस दिमाग को भेज देता है, जबकि गुप्त रूप से मशीनों को तोड़ने के लिए दुर्भावनापूर्ण कमांड भेजता रहता है।

इसे रीप्ले अटैक (Replay Attack) कहा जाता है। यह बिल्कुल वैसा ही है जैसे कोई चोर आपकी आवाज़ रिकॉर्ड कर ले जो "नमस्ते" कह रही हो, और फिर आपके स्मार्ट होम सिक्योरिटी सिस्टम को धोखा देने के लिए उसे वापस बजा दे, जिससे सिस्टम को लगे कि आप घर पर हैं, जबकि वास्तव में वह अंदर घुस रहा होता है।

पुराने गार्ड की विफलता:
फैक्ट्री एक मानक सुरक्षा जांच का उपयोग करती है जिसे "इनोवेशन डिटेक्टर" (Innovation Detector) कहा जाता है। यह मूल रूप से पूछता है: "क्या आ रही रिपोर्ट वैसी ही है जैसी मुझे उम्मीद थी?"

खामी: यदि फैक्ट्री सुचारू रूप से चल रही है और हैकर अतीत की एक सटीक रिकॉर्डिंग चला देता है, तो रिपोर्ट वैसी ही होती है जैसी दिमाग उम्मीद करता है। डिटेक्टर सोचता है, "सब कुछ सामान्य लग रहा है," और चुप रहता है। हमला सफल हो जाता है।

नया समाधान: "वॉटरमार्क" (Watermark)

हैकर को पकड़ने के लिए, लेखक एक वॉटरमार्क जोड़ने का प्रस्ताव देते हैं।

इसे इस तरह सोचें जैसे एक सुरक्षा गार्ड, हर कुछ सेकंड में, मशीन के कान में एक गुप्त, यादृच्छिक (random) शब्द फुसफुसाता है (कंट्रोल इनपुट में एक छोटा सा, रैंडम सिग्नल जोड़ना)।

सामान्य संचालन: मशीन वह गुप्त शब्द सुनती है, और उस कारण से थोड़ा अलग व्यवहार करती है (उसमें बदलाव आता है), और सेंसर उस बदलाव की रिपोर्ट करता है। गार्ड उस रिपोर्ट की जाँच करता है, देखता है कि बदलाव हुआ है, और कहता है, "अच्छा, गुप्त शब्द ने काम किया।"
हमले के दौरान: हैकर एक पुरानी रिकॉर्डिंग चला रहा है। उस रिकॉर्डिंग में नया गुप्त शब्द नहीं होता जो गार्ड ने अभी फुसफुसाया था। जब मशीन उस पुराने रिकॉर्डिंग पर प्रतिक्रिया देने की कोशिश करती है, तो वह उस तरह से नहीं हिलती जैसा उसे हिलना चाहिए। सेंसर रिपोर्ट "पुरानी" या "सिंक से बाहर" दिखाई देती है।
परिणाम: गार्ड विसंगति को देखता है, महसूस करता है कि, "अरे, यह रिपोर्ट कल की है! हम हमले के शिकार हैं!" और अलार्म बजा देता है।

पेच: "नॉइज़" (शोर) की समस्या

यहाँ पेचीदा बात यह है कि गुप्त शब्द (वॉटरमार्क) जोड़ना रेडियो स्टेशन में थोड़े से स्टैटिक शोर (static noise) को जोड़ने जैसा है।

यदि आप बहुत अधिक शोर जोड़ते हैं, तो संगीत (फैक्ट्री का प्रदर्शन) बहुत खराब हो जाता है।
यदि आप बहुत कम शोर जोड़ते हैं, तो हैकर अंतर को नोटिस नहीं कर पाएगा, और हमला पकड़ा नहीं जाएगा।

लीनियर सिस्टम्स (सरल, अनुमानित मशीनें) के लिए, इंजीनियरों को पहले से पता था कि सही संतुलन कैसे बनाया जाए। लेकिन नॉन-लीनियर सिस्टम्स (जटिल, अप्रत्याशित मशीनें जैसे जोड़ों वाले रोबोट या केमिकल प्लांट) के लिए, यह बहुत कठिन है। आप केवल एक सरल फॉर्मूले का उपयोग नहीं कर सकते; गणित बहुत जटिल हो जाता है।

पेपर का बड़ा विचार: "इन्क्रीमेंटल गेन्स" (Incremental Gains)

लेखकों ने इन्क्रीमेंटल गेन्स नामक एक नया गणितीय टूलकिट विकसित किया है।

उपमा: कल्पना कीजिए कि आप एक भारी बॉक्स को धक्का दे रहे हैं।
- लीनियर (Linear): यदि आप इसे दोगुना ज़ोर से धकेलते हैं, तो यह दोगुना तेज़ चलता है। अनुमान लगाना आसान है।
- नॉन-लीनियर (Nonlinear): यदि आप इसे दोगुना ज़ोर से धकेलते हैं, तो यह फंस सकता है, तिरछा खिसक सकता है, या फर्श के घर्षण के आधार पर तीन गुना तेज़ चल सकता है। यह अप्रत्याशित है।
समाधान: बॉक्स के सटीक पथ की भविष्यवाणी करने के बजाय, लेखकों ने यह मापने का एक तरीका विकसित किया कि धक्का देने पर बॉक्स अधिकतम और न्यूनतम कितना हिल सकता है। वे इन्हें "बाउंड्स" (Bounds) कहते हैं।
- लोअर बाउंड (जासूस): वे सुनिश्चित करते हैं कि वॉटरमार्क इतना मजबूत हो कि हमले के दौरान "विसंगति" इतनी बड़ी हो कि उसे देखा जा सके।
- अपर बाउंड (प्रदर्शन): वे सुनिश्चित करते हैं कि वॉटरमार्क इतना कमजोर हो कि सामान्य संचालन के दौरान "अतिरिक्त हलचल" सुरक्षित सीमाओं के भीतर रहे।

मास्टर प्लान: को-डिज़ाइन (Co-Design)

यह पेपर केवल वॉटरमार्क जोड़ने का सुझाव नहीं देता; यह पूरे "टीम" को मिलकर काम करने के लिए पुनर्डिजाइन करने का सुझाव देता है।

कंट्रोलर (The Controller): वह दिमाग जो आदेश देता है।
ऑब्जर्वर (The Observer): वह दिमाग जो अनुमान लगाता है कि मशीन क्या कर रही है।
वॉटरमार्क जनरेटर (The Watermark Generator): वह जो गुप्त शब्द जोड़ता है।

आमतौर पर, इन्हें अलग-अलग डिज़ाइन किया जाता है। लेखकों ने एक एल्गोरिदम (एक चरण-दर-चरण रेसिपी) बनाया है जो इन तीनों को एक साथ डिज़ाइन करता है। यह एक फुटबॉल टीम को प्रशिक्षित करने जैसा है जहाँ कोच, खिलाड़ी और रणनीति तीनों को एक साथ अनुकूलित (optimize) किया जाता है ताकि वे खेल जीतने के लिए मिलकर काम करें, न कि केवल रैंडम खिलाड़ी चुनकर यह उम्मीद की जाए कि वे साथ काम करेंगे।

परिणाम

उन्होंने एक सिम्युलेटेड रोबोट आर्म (सिंगल-लिंक रोबोट) पर इसका परीक्षण किया।

नए तरीके के बिना: रोबोट वास्तविक हमले और सामान्य संचालन के बीच अंतर नहीं कर सका।
नए तरीके के साथ: रोब सहित लगभग तुरंत हमले का पता लगा लिया।
बोनस: भले ही उन्होंने चोर को पकड़ने के लिए "शोर" (वॉटरमार्क) जोड़ा था, फिर भी रोबोट सुचारू रूप से चला और टूटा नहीं।

सारांश

यह पेपर जटिल मशीनों के लिए एक सुरक्षा पहेली को हल करता है। यह साबित करता है कि पुराने सुरक्षा गार्ड (डिटेक्टर) रीप्ले हमलों से मूर्ख बनाए जा सकते हैं। यह वॉटरमार्किंग की एक नई रणनीति पेश करता है जो एक गुप्त हैंडशेक की तरह काम करती है। सबसे महत्वपूर्ण बात यह है कि यह इस हैंडशेक को ट्यून करने का एक गणितीय तरीका प्रदान करता है ताकि यह चोर को पकड़ने के लिए पर्याप्त तेज़ हो, लेकिन मशीन के दैनिक काम में बाधा डाले बिना पर्याप्त शांत हो, भले ही मशीन जटिल और अप्रत्याशित व्यवहार कर रही हो।

यहाँ शोध पत्र "A Nonlinear Incremental Approach for Replay Attack Detection" का विस्तृत तकनीकी सारांश दिया गया है:

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र साइबर-फिजिकल सिस्टम्स (CPSs) में, विशेष रूप से नॉनलीनियर प्लांट्स (nonlinear plants) पर ध्यान केंद्रित करते हुए, रीप्ले अटैक (replay attacks) की गंभीर सुरक्षा चुनौती को संबोधित करता है।

खतरा: एक रीप्ले अटैक में, एक हमलावर वैध सेंसर मापन (sensor measurements) को रिकॉर्ड करता है और उन्हें वापस सिस्टम में इंजेक्ट करता है, जबकि साथ ही दुर्भावनापूर्ण नियंत्रण संकेतों (malicious control signals) को भेजता है। यह हमला अत्यंत गुप्त (stealthy) और मॉडल-मुक्त (model-free) होता है, जिससे इसे पहचानना कठिन हो जाता है।
मौजूदा विधियों की सीमाएँ:
- इनोवेशन-आधारित डिटेक्टर (जैसे $\chi^2$ डिटेक्टर): ये अनुमानित (predicted) और वास्तविक सेंसर आउटपुट के बीच के अंतर पर निर्भर करते हैं। लेखक प्रदर्शित करते हैं कि विशिष्ट स्थिरता स्थितियों के तहत नॉनलीनियर सिस्टम के लिए, ये डिटेक्टर रीप्ले हमलों का पता लगाने में विफल हो सकते हैं क्योंकि निगरानी सिग्नल (monitoring signal) उन मानों पर अभिसरित (converge) हो जाता है जो "नो-अटैक" परिदृश्य से अलग नहीं होते।
- लीनियर बनाम नॉनलीनियर: हालांकि वॉटरमार्क-आधारित डिटेक्शन (नियंत्रण इनपुट में एक रैंडम सिग्नल जोड़ना) लीनियर सिस्टम के लिए अच्छी तरह से स्थापित है, लेकिन इन विधियों को नॉनलीनियर सिस्टम तक विस्तारित करना कठिन है। पारंपरिक लीनियर विधियाँ सटीक कोवेरिएंस अंतर और लीनियर-क्वाड्रेटिक-गौसियन (LQG) लागतों की गणना पर निर्भर करती हैं, जो सामान्य नॉनलीनियर सिस्टम के लिए विश्लेषणात्मक रूप से कठिन (intractable) है।

2. कार्यप्रणाली (Methodology)

लेखक एक वॉटरमार्क-आधारित डिटेक्शन फ्रेमवर्क को डिजाइन करने के लिए इन्क्रीमेंटल गेन्स (incremental gains) का उपयोग करते हुए एक नॉनलीनियर इन्क्रीमेंटल दृष्टिकोण प्रस्तावित करते हैं।

A. सैद्धांतिक आधार: इन्क्रीमेंटल गेन्स (Theoretical Foundation: Incremental Gains)

सांख्यिकीय वितरणों (statistical distributions) पर निर्भर रहने के बजाय (जो नॉनलीनियर सिस्टम के लिए गणना करना कठिन है), लेखक वॉटरमार्क सिग्नल के प्रभाव को मापने के लिए इन्क्रीमेंटल $L_2$ गेन्स का उपयोग करते हैं:

$L^+_{\delta 2}$ गेन (ऊपरी सीमा - Upper Bound): वॉटरमार्क सिग्नल के कारण नियंत्रण प्रदर्शन (आउटपुट अंतर) में होने वाले अधिकतम ह्रास (degradation) को मापता है।
$L^-_{\delta 2}$ गेन (निचली सीमा - Lower Bound): हमले के तहत सिस्टम के आउटपुट और सामान्य स्थिति के बीच के न्यूनतम अंतर को मापता है। यह सुनिश्चित करता है कि वॉटरमार्क एक ऐसा "फिंगरप्रिंट" बनाता है जिसे रीप्ले नहीं किया जा सकता।
Lyapunov और LMI लक्षण वर्णन: शोध पत्र नॉनलीनियर सिस्टम (लीनियर आउटपुट के साथ) के लिए इन गेन्स की गणना करने हेतु Lyapunov-आधारित स्थितियों और लीनियर मैट्रिक्स इनइक्वेलिटीज़ (LMIs) को व्युत्पन्न करते हैं।

B. डिटेक्शन फ्रेमवर्क (Detection Framework)

वॉटरमार्क इंजेक्शन: नियंत्रण इनपुट में एक वॉटरमार्क सिग्नल $v = G\xi(t)$ जोड़ा जाता है। $\xi(t)$ एक गैर-आवधिक (non-periodic) सिग्नल है (जैसे कि अराजक/chaotic या बर्नौली/Bernoulli), ताकि यह सुनिश्चित हो सके कि यह ऐतिहासिक डेटा से मेल नहीं खाता।
प्रदर्शन मूल्यांकन:
- डिटेक्शन प्रदर्शन: यदि $L^-_{\delta 2}$ गेन पर्याप्त रूप से बड़ा है, तो डिटेक्शन गारंटीकृत है, जो यह सुनिश्चित करता है कि हमले के दौरान निगरानी सिग्नल $g(t)$ थ्रेशोल्ड (threshold) से ऊपर चला जाए।
- कंट्रोल परफॉरमेंस लॉस: यह $L^+_{\delta 2}$ गेन द्वारा सीमित है, जो यह सुनिश्चित करता है कि वॉटरमार्क सिस्टम को अस्थिर न करे या प्रदर्शन को स्वीकार्य सीमा ( $\alpha$ ) से अधिक खराब न करे।
ऑप्टिमाइज़ेशन समस्या: लेखक डिटेक्शन गेन ( $\beta$ ) को अधिकतम करने और परफॉरमेंस लॉस ( $\alpha$ ) को नियंत्रित करने के लिए एक ऑप्टिमाइज़ेशन समस्या तैयार करते हैं।
- को-डिज़ाइन (Co-design): सर्वोत्तम संतुलन प्राप्त करने के लिए वॉटरमार्क गेन ( $G$ ), कंट्रोलर ( $K$ ), और ऑब्जर्वर ( $L$ ) को एक साथ डिजाइन करने के लिए इस फ्रेमवर्क का विस्तार किया गया है।

C. समाधान एल्गोरिदम (Solution Algorithm)

चूंकि परिणामी स्थितियाँ 'बिलिनियर मैट्रिक्स इनइक्वेलिटीज़' (BMIs) से जुड़ी हैं, इसलिए लेखक एक इटरेटिव LMI एल्गोरिदम प्रस्तावित करते हैं:

समस्या को LMIs के एक अनुक्रम में सरल बनाया जाता है।
एल्गोरिदम वेरिएबल्स ( $G, K, L$ ) को तब तक अपडेट करता है जब तक वे एक स्थानीय इष्टतम (local optimum) तक नहीं पहुँच जाते जो डिटेक्शन और प्रदर्शन की बाधाओं को पूरा करता हो।

3. मुख्य योगदान (Key Contributions)

इनोवेशन डिटेक्टरों का विफलता विश्लेषण: यह कठोर प्रमाण कि विशिष्ट स्थिरता स्थितियों के तहत नॉनलीनियर सिस्टम में केवल इनोवेशन-आधारित डिटेक्टर रीप्ले अटैक डिटेक्शन के लिए पर्याप्त नहीं हैं।
नॉनलीनियर सिस्टम के लिए नया वॉटरमार्क फ्रेमवर्क: इन्क्रीमेंटल गेन्स ( $L^+_{\delta 2}$ और $L^-_{\delta 2}$ ) पर आधारित एक डिजाइन फ्रेमवर्क का परिचय, जो लीनियर विधियों के लिए आवश्यक स्पष्ट संभाव्यता वितरण (probability distribution) की गणना से बचता है।
$L_2$ गेन थ्योरी का विस्तार: इन्क्रीमेंटल $L^-_{\delta 2}$ गेन की अवधारणा का विकास, जिसमें इसका लायपुनोव लक्षण वर्णन और LMI फॉर्मूलेशन शामिल है, जिसे साहित्य में अच्छी तरह से विकसित नहीं किया गया था।
को-डिज़ाइन ऑप्टिमाइज़ेशन: सुरक्षा और नियंत्रण प्रदर्शन के बीच संतुलन बनाने के लिए वॉटरमार्क, कंट्रोलर और ऑब्जर्वर गेन को संयुक्त रूप से अनुकूलित करने का एक व्यवस्थित दृष्टिकोण।
सामान्यीकरण: मौजूदा लीनियर-विशिष्ट वॉटरमार्किंग तकनीकों की तुलना में यह विधि नॉनलीनियर सिस्टम के एक व्यापक वर्ग पर लागू होती है।

4. परिणाम (Results)

प्रस्तावित फ्रेमवर्क को दो प्रकार के वॉटरमार्क्स: Chaotic और Bernoulli के साथ एक सिंगल-लिंक रोबोट सिस्टम (एक नॉनलीनियर प्लांट) का उपयोग करके सत्यापित किया गया।

डिटेक्शन प्रदर्शन:
- बिना वॉटरमार्क के, इनोवेशन-आधारित डिटेक्टर रीप्ले हमलों के दौरान अलार्म देने में विफल रहा।
- प्रस्तावित वॉटरमार्क के साथ, निगरानी सिग्नल $g(t)$ थ्रेशोल्ड से काफी ऊपर चला गया, जिससे हमले का सफलतापूर्वक पता चल गया।
- को-डिज़ाइन का प्रभाव: शुरुआती मापदंडों की तुलना में को-डिज़ाइन किए गए पैरामीटर ( $K_{opt}, L_{opt}, G_{opt}$ ) काफी बेहतर डिटेक्शन दर और कम डिटेक्शन विलंब (delay) प्रदान करते हैं।
सांख्यिकीय मेट्रिक्स (1000 सिमुलेशन):
- Chaotic Watermark: डिटेक्शन दर (तंग प्रदर्शन बाधाओं के साथ) 87.4% से बढ़कर 97.3% हो गई और ढीली बाधाओं के साथ 100% तक पहुँच गई। औसत डिटेक्शन विलंब 10.28s से घटकर 8.34s रह गया।
- Bernoulli Watermark: डिटेक्शन दर 69.5% से सुधरकर 99.6% हो गई। औसत डिटेक्शन विलंब 13.15s से घटकर 6.01s रह गया।
मजबूती (Robustness): सिस्टम ने विभिन्न शोर स्तरों (noise levels) के बावजूद स्थिरता और सीमित परफॉरमेंस लॉस ( $\alpha$ ) बनाए रखा।

5. महत्व (Significance)

अंतराल को भरना: यह कार्य महत्वपूर्ण है क्योंकि यह रीप्ले अटैक डिटेक्शन को अच्छी तरह से अध्ययन किए गए लीनियर डोमेन से जटिल, वास्तविक दुनिया के नॉनलीनियर सिस्टम के क्षेत्र में ले जाता है।
कंप्यूटेशनल व्यवहार्यता: इन्क्रीमेंटल गेन्स और LMIs का उपयोग करके, लेखक नॉनलीनियर प्लांट्स के लिए सुरक्षित कंट्रोलर डिजाइन करने का एक कम्प्यूटेशनल रूप से व्यवहार्य तरीका प्रदान करते हैं, जो पहले एक बड़ी सैद्धांतिक बाधा थी।
व्यावहारिक अनुप्रयोग: वॉटरमार्क को कंट्रोलर और ऑब्जर्वर के साथ को-डिज़ाइन करने की क्षमता सुरक्षा और सिस्टम प्रदर्शन के बीच एक कुशल संतुलन बनाने की अनुमति देती है, जिससे यह रोबोटिक्स और औद्योगिक स्वचालन जैसे वास्तविक दुनिया के CPS अनुप्रयोगों के लिए व्यावहारिक बन जाता है।
सैद्धांतिक प्रगति: $L^-_{\delta 2}$ गेन का औपचारिक रूपकरण सिस्टम रिस्पॉन्स के निचले स्तरों (lower bounds) के विश्लेषण के लिए एक नया उपकरण प्रदान करता है, जो नॉनलीनियर कंट्रोल थ्योरी में डिटेक्टेबिलिटी सुनिश्चित करने के लिए महत्वपूर्ण है।