⚡ electrical engineering

Attack Detection using Time Series Foundation Models

Dit artikel stelt een modelvrij framework voor detectie en mitigatie van aanvallen op cyber-fysieke systemen voor, dat het TimesFM tijdreeks-fundamentmodel gebruikt als een zero-shot surrogaat residu-generator om zowel replay- als sluipaanvallen effectief te identificeren, zelfs zonder kennis van de onderliggende plantdynamiek.

Oorspronkelijke auteurs: Sribalaji C. Anand, Anh Tung Nguyen, George J. Pappas

Gepubliceerd 2026-06-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sribalaji C. Anand, Anh Tung Nguyen, George J. Pappas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een afgelegen elektriciteitscentrale of een fabriek voor die een constante stroom gegevens (zoals temperatuur, snelheid of spanning) via internet naar een operator in een controlekamer stuurt. De taak van de operator is om deze gegevens te bewaken om er zeker van te zijn dat alles soepel verloopt.

Het probleem is dat hackers deze internetverbinding kunnen onderscheppen. Ze kunnen de gegevens ofwel opnemen en later afspelen (een "Replay Attack") om te verbergen dat een machine aan het defect raken is, of ze kunnen de cijfers mathematisch aanpassen (een "Stealthy Attack") zodat de machine er goed uitziet, zelfs terwijl deze wordt gesaboteerd.

Traditioneel heeft de operator een perfect "blauwdruk" (een wiskundig model) nodig van hoe de machine zich zou moeten gedragen om dit soort hackers te vangen. Als de hacker ook de blauwdruk kent, kan hij het alarmsysteem van de operator misleiden.

Dit artikel stelt een nieuwe oplossing voor die geen blauwdruk nodig heeft. In plaats daarvan gebruikt het een super slimme AI genaamd TimesFM (ontwikkeld door Google), die miljarden tijdreekspatronen van over de hele wereld heeft gelezen.

Hier is de uitleg van hun aanpak met eenvoudige analogieën:

1. De twee lagen beveiliging (Het Zwitserse kaasmodel)

Denk aan beveiliging als een blok Zwitserse kaas.

Laag 1 (De traditionele bewaker): Dit is het standaard alarmsysteem. Het kent de blauwdruk van de machine. Als de cijfers niet overeenkomen met de blauwdruk, schreeuwt het: "Alarm!"
- Zwakheid: Als de hacker de blauwdruk kent, kan hij een "toverspreuk" (een stealthy attack) schrijven die ervoor zorgt dat de cijfers er perfect uitzien voor deze bewaker, zelfs terwijl de machine wordt vernietigd.
Laag 2 (De nieuwe AI-bewaker - TimesFM): Dit is de nieuwe uitvinding in het artikel. Deze bewaker kent de blauwdruk niet. Hij heeft deze specifieke machine nog nooit gezien. In plaats daarvan werkt hij als een super weervoorspeller. Hij kijkt naar de recente geschiedenis van de gegevens en zegt: "Op basis van miljarden patronen die ik heb gezien, zou het volgende getal dit moeten zijn."

2. Hoe de AI-vanger werkt

De AI-bewaker werkt in drie eenvoudige stappen:

Opwarmen: Hij kijkt een tijdje naar de gegevens om een gevoel te krijgen bij het ritme.
Voorspellen: Hij raadt wat het volgende getal zou moeten zijn.
De "Verrassingstest": Hij vergelijkt het werkelijke getal dat door de machine wordt verzonden met zijn eigen gok.
- Als de machine eerlijk is, liggen de gok en de werkelijkheid dicht bij elkaar (zoals een weersverwachting die meestal klopt).
- Als een hacker de gegevens vervalst, zal de "toverspreuk" die de Blauwdruk-bewaker bedroog, vreemd lijken voor de AI. De gok van de AI zal totaal anders zijn dan het neppe getal van de hacker, en het alarm gaat af.

3. De twee soorten hackers die ze hebben gevangen

De onderzoekers hebben dit getest tegen twee soorten boeven:

De Recorder (Replay Attack): Stel je een hacker voor die een video opneemt van een kalme rivier en deze op een loop afspeelt, terwijl de echte rivier eigenlijk aan het overstromen is. De Blauwdruk-bewaker kan hierdoor misleid worden omdat de video er normaal uitziet. Maar de AI-bewaker, die naar de context van het hele systeem kijkt, realiseert zich: "Wacht even, de wind waait hard, maar de rivier-video toont geen golven. Dat is nep!"
De Wiskundige Tovenaar (Stealthy Attack): Deze hacker kent de wiskunde van de Blauwdruk-bewaker perfect en past de cijfers net genoeg aan om zijn test te halen. Omdat de AI-bewaker echter niet dezelfde wiskunde gebruikt, ziet hij de truc niet. De AI-bewaker ziet een patroon dat niet past bij het "verhaal" van de gegevensgeschiedenis en slaat alarm.

4. De "Magische Back-up" (Mitigatie)

Het artikel vond ook een interessant bijeffect. Als hackers de sensoren zo erg corrumperen dat de operator de echte gegevens niet meer kan vertrouwen, kan de AI-bewaker zelfs raden wat de echte gegevens zouden moeten zijn.

Analogie: Stel je voor dat de snelheidsmeter van je auto kapot is en op 0 km/u blijft staan. Een normale monteur zou vastlopen. Maar deze AI is als een passagier die weet hoe snel je zou moeten gaan op basis van het motorgeluid en de weg. Het kan de ontbrekende informatie aanvullen zodat de bestuurder veilig kan blijven doorrijden.

5. De Resultaten

De onderzoekers hebben dit getest op een echte simulatie van een elektriciteitsnet (het IEEE 14-bus systeem).

De Blauwdruk-bewaker faalde vaak bij het vangen van de "Wiskundige Tovenaar"-hackers, omdat de hackers te goed waren in het volgen van de regels.
De AI-bewaker ving bijna al hen, zelfs degenen die ontworpen waren om onzichtbaar te zijn voor de Blauwdruk-bewaker.
Het werkte ook goed wanneer het systeem veel ruis bevatte of wanneer sensoren defect waren.

De Kern van het Verhaal

Dit artikel laat zien dat je geen geheime blauwdrukken van een machine nodig hebt om deze te beschermen. Door een algemene AI te gebruiken die begrijpt hoe gegevens in de loop van de tijd "stromen", kun je hackers opsporen die proberen onzichtbaar te blijven. Het is also�ans het inhuren van een detective die het alibi van de verdachte niet kent, maar zo goed is in het opsporen van inconsistenties in een verhaal, dat de leugen onmiddellijk uit elkaar valt.

Technische Samenvatting: Aanvalsdetectie met behulp van Tijdreeks Foundation Modellen

Probleemstelling

Dit artikel behandelt de uitdaging van het detecteren van cyberaanvallen in Cyber-Fysieke Systemen (CPS) waarbij de operator geen kennis heeft van het plantmodel (noch de structuur, noch de parameters). Het scenario betreft een op afstand gelegen plant die sensormetingen verzendt over een netwerk dat gevoelig is voor manipulatie. De auteurs richten zich op twee specifieaf klassen van aanvallen:

Model-vrije replay-aanvallen: Waarbij een aanvaller opgenomen legitieme gegevens herhaalt (bijv. Stuxnet-stijl), wat geen systeemkennis vereist.
Model-gebaseerde stealthy aanvallen: Waarbij een aanvaller met volledige systeemkennis inputs ontwerpt om de schattingsfout maximaal te beïnvloeden, terwijl hij ongedetecteerd blijft door een primaire model-gebaseerde $\chi^2$ -detector.

De kernonderzoeksvraag is of tijdreeks foundation modellen kunnen dienen als een "model-structuur-vrije" secundaire detector ( $g_s$ ) om deze aanvallen te identificeren, inclusief die specifiek zijn ontwor Eben om traditionele model-gebaseerde detectoren ( $g_p$ ) te omzeilen.

Methodologie

1. Optimale Stealthy Aanval Constructie

Om een rigoureuze baseline voor detectie vast te stellen, leidt de auteur eerst gesloten vorm expressies af voor de optimale stealthy aanvalspolicy tegen een primaire $\chi^2$ -detector.

Lineaire Tijd-Invariante (LTI) Systemen: Voor systemen met een statische observer (bijv. Luenberger of steady-state Kalman), leiden de auteurs de aanvalsvector af die de schattingsfout maximaliseert onder de beperking dat de detectiestatistiek met een bepaalde waarschijnlijkheid onder de drempelwaarde blijft.
Nietlineaire Systemen: Voor systemen die een Extended Kalman Filter (EKF) gebruiken, leiden de auteurs een benaderde gesloten vorm oplossing af met behulp van eerste-orde linearisatie van de afwijkingsdynamica.
Kerninzicht: Deze afgeleide aanvallen zijn wiskundig gegarandeerd stealthy tegen de primaire model-gebaseerde detector ( $g_p$ ) door constructie, mits de aanvaller over volledige modelkennis beschikt.

2. TimesFM-gebaseerd Detectiealgoritme

De voorgestelde oplossing vervangt de model-gebaseerde residu-generator door TimesFM, een tijdreeks foundation model ontwikkeld door Google Research.

Zero-Shot Operatie: TimesFM werkt zonder enige training, fine-tuning of hertraining op de specifieke plantgegevens. Het maakt gebruik van pre-training op miljarden diverse tijdreeksgegevens.
Surrogaat Residu Generatie: Het algoritme behandelt de TimesFM-voorspellingen als een surrogaat voor het verwachte gedrag van het systeem. Het residu wordt gedefinieerd als het verschil tussen de werkelijke (mogelijk gecorrumpeerde) sensormeting en de TimesFM-voorspelling.
Detectiestatistiek: Een $\chi^2$ -test wordt toegepast op deze voorspellingsresiduen.
Mitigatie Mechanisme: Bij detectie van een aanval kan het algoritme gecorrumpeerde metingen vervangen door TimesFM punt-voorspellingen om de toestandsschatting te handhaven, waardoor het effectief fungeert als een redundantie-substituut wanneer klassieke sensor-redundantie aannames falen.

Algoritme Workflow:

Warmup: TimesFM observeert een venster van historische gegevens om voorspellingen te vormen.
Covariantie Schatting: Een schoon venster van gegevens wordt gebruikt om de covariantie van de voorspellingsresiduen onder nominale operatie te schatten.
Online Detectie: Een $\chi^2$ -statistiek wordt berekend. Als er een alarm wordt geactiveerd, wordt de buffer niet bijgewerkt met de gecorrumpeerde meting, wat contaminatie van toekomstige voorspellingen voorkomt.

Belangrijkste Bijdragen

Closed-Form Optimale Aanvalspolicies: Het artikel biedt de eerste closed-form expressies voor optimale stealthy aanvallen tegen $\chi^2$ -detectoren voor zowel LTI als nietlineaire systemen, uitgaande van een aanvaller met volledige modelkennis.
Model-Structuur-Vrije Detectie: De auteurs stellen een detector voor en valideren deze op basis van TimesFM, die geen expliciet systeemmodel vereist. Deze detector werkt op een zero-shot wijze, wat het onderscheidt van traditionele data-gedreven methoden die taakspecifieke training en hyperparameter-tuning vereisen.
Robuustheid tegen Stealthy Aanvallen: Het artikel demonstreert dat aanvallen die ontworpen zijn om perfect stealthy te zijn tegen model-gebaseerde detectoren, betrouwbaar worden gedetecteerd door de TimesFM-gebaseerde detector. Dit wordt toegeschreven aan het feit dat TimesFM niet beschikt over de specifieke "innovatie-structuur" die model-gebaseerde aanvallers exploiteren.
Mitigatie via Voorspelling: Het werk toont empirisch aan dat TimesFM-voorspellingen gecorrumpeerde metingen kunnen vervangen, wat robuuste toestandsschatting mogelijk maakt zelfs wanneer het aantal gecompromitteerde sensoren de standaard observability-redundantie aannames schendt (bijv. $N-2M$ sensoren).

Experimentele Resultaten

De effectiviteit van de voorgestelde aanpak werd gevalideerd op twee systemen:

1. Ongedempte Massa-Veer System (Lineair)

Replay Aanvallen: De TimesFM-detector bereikte een False Alarm Rate (FAR) van 0,5% (tegenover 2,8% voor de observer-gebaseerde detector) en behield de detectie gedurende de gehele aanval, terwijl de alarmen van de observer-gebaseerde detector intermittent waren en niet te onderscheiden van ruis.
Stealthy Aanvallen: Aanvallen geconstrueerd met Theorem 1 waren ondetecteerbaar voor de EKF-gebaseerde detector (FAR bleef op nominaal niveau), maar werden consistent gedetecteerd door TimesFM.
Single-Sensor Aanval: In een scenario waarin de enige beschikbare sensor gecompromitteerd was (wat de standaard redundantie schendt), bereikte de door TimesFM beschermde observer een aanzienlijk lagere toestand-reconstructiefout dan de onbeschermde observer.
Adaptieve Aanvaller: Tegen een adaptieve aanvaller die SPSA gebruikt om beide detectoren simultaan te omzeilen, verminderde de aanwezigheid van de TimesFM-detector de impact van de aanvaller met 91 keer vergeleken met een aanvaller die enkel de model-gebaseerde detector target.

2. IEEE 14-Bus Krachtnet (Nietlineair)

Setup: Een nietlineair swing-equation model met 14 bussen en 20 transmissielijnen.
Replay Aanvallen: TimesFM activeerde consistent alarmen gedurende de gehele duur van de aanval. De EKF-gebaseerde detector detecteerde de aanval alleen tijdens de initiële fase voordat de gereproduceerde gegevens ononderscheidbaar werden van het nominale gedrag in het model-gebaseerde residu.
Stealthy Aanvallen: Gebruikmakend van de nietlineaire aanvalspolicy uit Theorem 2, gaf de EKF-detector geen alarm. In tegen tegenstelling hiertoe detecteerde TimesFM de aanval in alle proeven.
Statistische Validiteit: Een Shapiro-Wilk test bevestigde dat de voorspellingsresiduen onder nominale operatie ongeveer Gaussisch waren, wat het gebruik van de $\chi^2$ -teststatistiek rechtvaardigt.

Betekenis en Claims

De auteurs positioneren dit werk als een belangrijke stap richting defense-in-depth in CPS-beveiliging. Door de TimesFM-detector te kaderen als een "tweede laag van verdediging" (geïnspireerd door het Swiss Cheese Model), beargumenteren zij dat:

Model-Vrij Voordeel: In tegenstelling tot traditionele detectoren die vertrouwen op expliciete systeemmodellen, maakt het gebrek aan een closed-form innovatie-structuur bij TimesFM het inherent moeilijker voor model-gebaseerde aanvallers om stealthy aanvallen te construeren.
Plug-and-Play Capaciteit: Het zero-shot karakter van TimesFM elimineert de noodzaak voor hertraining of systeemidentificatie, wat het een praktische oplossing maakt voor generieke nietlineaire systemen waar modelkennis onbeschikbaar of onbetrouwbaar is.
Voorbij Detectie: Het artikel claimt dat foundation modellen een dubbelrol kunnen vervullen: niet alleen als detectoren, maar ook als praktische mitigatie-instrumenten om de toestandsschatting te herstellen wanneer sensor-redundie wordt aangetast.

Het artikel concludeert dat dit, naar weten van de auteurs, het eerste werk is dat een foundation-model-gebaseerde, model-structuur-vrije zero-shot detector voorstelt die zowel replay- als model-gebaseerde stealthy aanvallen kan afhandelen in aanwezigheid van ruis.