Sintesi Tecnica: Rilevamento di Attacchi tramite Modelli Fondamentali di Serie Temporali

Definizione del Problema

Questo articolo affronta la sfida del rilevamento di attacchi informatici nei Sistemi Ciber-Fisici (CPS) in cui l'operatore non possiede alcuna conoscenza del modello del impianto (né della sua struttura né dei suoi parametri). Lo scenario coinvolge un impianto situato remotamente che trasmette misurazioni di sensori attraverso una rete suscettibile a manomissioni. Gli autori si concentrano su due classi specifiche di attacchi:

1. Attacchi di replay model-free: in cui un attaccante riproduce dati legittimi registrati (es. stile Stuxnet), richiedendo nessuna conoscenza del sistema.
2. Attacchi stealthy basati su modello (model-based): in cui un attaccante con piena conoscenza del sistema progetta input per massimizzare il bias della stima dello stato, rimanendo al contempo invisibile a un rilevatore primario $\chi^2$ basato su modello.

La domanda centrale della ricerca è se i modelli fondamentali di serie temporali possano fungere da rilevatore secondario ($g_s$) "indipendente dalla struttura del modello" per identificare questi attacchi, inclusi quelli progettati specificamente per eludere i rilevatori tradizionali basati su modello ($g_p$).

Metodologia

1. Costruzione di un Attacco Stealthy Ottimale

Per stabilire una linea di base rigorosa per il rilevamento, gli autori derivano prima espressioni in forma chiusa per la policy di attacco stealthy ottimale contro un rilevatore $\chi^2$ primario.

• Sistemi Lineari Tempo-Invarianti (LTI): Per sistemi con un osservatore statico (es. Luenberger o Kalman a regime stazionario), gli autori derivano il vettore di attacco che massimizza l'errore di stima sotto il vincolo che la statistica di rilevamento rimanga al di sotto della soglia con una determinata probabilità.
• Sistemi Non Lineari: Per sistemi che impiegano un Filtro di Kalman Esteso (EKF), gli autori derivano una soluzione approssimata in forma chiusa utilizzando la linearizzazione del primo ordine della dinamica delle deviazioni.
• Insight Chiave: Questi attacchi derivati sono matematicamente garantiti come stealthy rispetto al rilevatore basato su modello primario ($g_p$) per costruzione, a condizione che l'attaccante possieda la piena conoscenza del modello.

2. Algoritmo di Rilevamento Basato su TimesFM

La soluzione proposta sostituisce il generatore di residui basato sul modello con TimesFM, un modello fondamentale di serie temporali sviluppato da Google Research.

• Operatività Zero-Shot: TimesFM opera senza alcuna fase di addestramento, fine-tuning o riaddestramento sui dati specifici dell'impianto. Sfrutta il pre-addestramento su miliardi di dati di serie temporali diversificati.
• Generazione di Residui Surrogati: L'algoritmo tratta le previsioni di TimesFM come un surrogato del comportamento atteso del sistema. Il residuo è definito come la differenza tra la misurazione del sensore effettiva (potenzialmente corrotta) e la previsione di TimesFM.
• Statistica di Rilevamento: Un test $\chi^2$ viene applicato a questi residui di previsione.
• Meccanismo di Mitigazione: Al rilevamento di un attacco, l'algoritmo può sostituire le misurazioni corrotte con le previsioni puntuali di TimesFM per mantenere la stima dello stato, agendo efficacemente come sostituto della ridondanza quando le assunzioni classiche sulla ridondanza dei sensori falliscono.

Workflow dell'Algoritmo:

1. Warmup: TimesFM osserva una finestra di dati passati per formulare le previsioni.
2. Stima della Covarianza: Una finestra di dati "puliti" viene utilizzata per stimare la covarianza dei residui di previsione durante il funzionamento nominale.
3. Rilevamento Online: Viene calcolata una statistica $\chi^2$. Se viene lanciato un allarme, il buffer non viene aggiornato con la misurazione corrotta, evitando la contaminazione delle previsioni future.

Contributi Chiave

1. Policy di Attacco Ottimali in Forma Chiusa: L'articolo fornisce le prime espressioni in forma chiusa per attacchi stealthy ottimali contro i rilevatori $\chi^2$ sia per sistemi LTI che per sistemi non lineari, assumendo che l'attaccante abbia la piena conoscenza del modello.
2. Rilevamento Indipendente dalla Struttura del Modello: Gli autori propongono e validano un rilevatore basato su TimesFM che non richiede un modello esplicito del sistema. Questo rilevatore opera in modalità zero-shot, distinguendosi dai metodi tradizionali basati sui dati che richiedono addestramento specifico per il task e sintonizzazione degli iperparametri.
3. Robustezza contro Attacchi Stealthy: Il documento dimostra che attacchi progettati per essere perfettamente stealthy contro i rilevatori basati su modello sono affidabilmente rilevati dal rilevatore basato su TimesFM. Ciò è attribuito al fatto che TimesFM manca della specifica "struttura di innovazione" che gli attaccanti basati su modello sfruttano.
4. Mitigazione tramite Previsione: Il lavoro mostra empiricamente che le previsioni di TimesFM possono sostituire le misurazioni corrotte, consentendo una stima dello stato robusta anche quando il numero di sensori compromessi viola le assunzioni standard di ridondanza dell'osservabilità (es. $N-2M$ sensori).

Risultati Sperimentali

L'efficacia dell'approccio proposto è stata validata su due sistemi:

1. Sistema Massa-Molla Smorzato (Lineare)

• Attacchi di Replay: Il rilevatore TimesFM ha raggiunto un Tasso di Falsi Allarmi (FAR) dello 0,5% (rispetto al 2,8% del rilevatore basato sull'osservatore) e ha mantenuto il rilevamento per tutta la durata dell'attacco, mentre gli allarmi del rilevatore basato sull'osservatore erano intermittenti e indistinguibili dal rumore.
• Attacchi Stealthy: Gli attacchi costruiti usando il Teorema 1 erano indistinguibili per il rilevatore basato su EKF (il FAR rimaneva ai livelli nominali) ma venivano costantemente rilevati da TimesFM.
• Attacco a Sensore Singolo: In uno scenario in cui l'unico sensore disponibile era compromesso (violando la ridondanza standard), l'osservatore protetto da TimesFM ha ottenuto un errore di ricostruzione dello stato significativamente inferiore rispetto all'osservatore non protetto.
• Attaccante Adattivo: Contro un attaccante adattivo che utilizza SPSA per eludere simultaneamente entrambi i rilevatori, la presenza del rilevatore TimesFM ha ridotto l'impatto dell'attaccante di 91 volte rispetto a un attaccante che mirava solo al rilevatore basato su modello.

2. Sistema di Potenza IEEE 14-Bus (Non Lineare)

• Setup: Un modello di equazione di swing non lineare con 14 bus e 20 linee di trasmissione.
• Attacchi di Replay: TimesFM ha costantemente segnalato allarmi durante tutta la durata dell'attacco. Il rilevatore basato su EKF ha rilevato l'attacco solo nella fase iniziale, prima che i dati riprodotti diventassero indistinguibili dal comportamento nominale nel residuo basato sul modello.
• Attacchi Stealthy: Utilizzando la policy di attacco non lineare del Teorema 2, il rilevatore EKF non ha segnalato alcun allarme. Al contrario, TimesFM ha rilevato l'attacco in tutte le prove.
• Validità Statistica: Un test di Shapiro-Wilk ha confermato che i residui di previsione sotto operatività nominale erano approssimativamente gaussiani, giustificando l'uso della statistica $\chi^2$.

Significato e Rivendicazioni

Gli autori posizionano questo lavoro come un passo significativo verso la difesa in profondità nella sicurezza dei CPS. Inquadrando il rilevatore TimesFM come un "secondo strato di difesa" (ispirato al Modello del Formaggio Svizzero), l'articolo sostiene che:

• Vantaggio Model-Free: A differenza dei rilevatori tradizionali che dipendono da modelli espliciti del sistema, la mancanza di una struttura di innovazione a forma chiusa di TimesFM rende intrinsecamente più difficile la costruzione di attacchi stealthy per gli attaccanti basati su modello.
• Capacità Plug-and-Play: La natura zero-shot di TimesFM elimina la necessità di riaddestramento o identificazione del sistema, rendendolo una soluzione pratica per sistemi non lineari generici dove la conoscenza del modello è assente o inaffidabile.
• Oltre il Rilevamento: Il lavoro afferma che i modelli fondamentali possono svolgere un doppio ruolo: non solo come rilevatori, ma anche come strumenti pratici di mitigazione per ripristinare la stima dello stato quando la ridondanza dei sensori è compromessa.

L'articolo conclude che questo è, per quanto noto agli autori, il primo lavoro a proporre un rilevatore zero-shot basato su un modello fondamentale, indipendente dalla struttura del modello, capace di gestire sia attacchi di replay che attacchi stealthy basati su modello in presenza di rumore.