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

1. Problema Abordado

O artigo aborda o problema de estimativa de estado segura para sistemas lineares invariantes no tempo (LTI) contínuos, que operam com medições amostradas de forma não periódica e assíncrona. Neste cenário, os sensores transmitem não apenas as medições, mas também os carimbos de tempo (time-stamps) para um centro de fusão.

A vulnerabilidade central reside na possibilidade de ataques maliciosos que exploram a natureza assíncrona e a dependência dos carimbos de tempo. O modelo de ataque proposto é espaço-temporal e unifica quatro tipos de ameaças:

1. Injeção de dados falsos: Manipulação do valor da medição.
2. Manipulação de carimbos de tempo: Alteração do tempo de amostragem (o que causa dessincronização no filtro).
3. Negação de Serviço (DoS): Bloqueio da transmissão de medições.
4. Geração de dados falsos: Criação de pacotes de medição inteiramente novos que não existiam no sistema.

O objetivo é desenvolver um algoritmo capaz de recuperar o estado do sistema com um erro uniformemente limitado, independentemente da ocorrência desses ataques, assumindo que o número de sensores comprometidos é limitado (ataque $p$-esparso).

2. Metodologia

A solução proposta baseia-se em uma abordagem descentralizada que combina decomposição de filtros de Kalman e otimização convexa robusta.

• Decomposição do Filtro de Kalman Assíncrono:
  Os autores primeiro derivam um Filtro de Kalman (KF) para sistemas com amostragem assíncrona. Eles demonstram que a estimativa global ótima do KF pode ser decomposta em uma soma linear de estimadores locais ($\zeta_i[k]$), onde cada sensor mantém sua própria estimativa de estado baseada em suas medições locais.

• Fusão por Mínimos Quadrados Ponderados:
  Na ausência de ataques, a fusão ótima desses estimadores locais é realizada resolvendo um problema de mínimos quadrados ponderados. O artigo prova teoricamente que essa fusão recupera exatamente a estimativa ótima do Filtro de Kalman padrão.

• Regularização $\ell_1$ para Segurança:
  Para mitigar ataques, o problema de fusão é reformulado adicionando um termo de regularização $\ell_1$ (norma L1) à função objetivo.

  • A formulação busca minimizar a soma do erro quadrático ponderado e a norma $\ell_1$ do resíduo de ataque.
  • A regularização $\ell_1$ atua como um mecanismo de esparsidade, forçando o algoritmo a identificar e "ignorar" (atribuir erro zero) as medições provenientes de sensores comprometidos, desde que o número de sensores atacados seja menor que a redundância de observabilidade do sistema.

• Algoritmo Proposto (Algoritmo 1):
  O algoritmo executa em cada instante de tempo discreto:

  1. Cálculo das matrizes discretizadas e dos estimadores locais.
  2. Resolução do problema de otimização com regularização $\ell_1$ (Equação 21) para obter a estimativa segura $\check{x}[k]$.

3. Contribuições Principais

1. Modelo de Ataque Unificado: Introdução de um modelo de ataque espaço-temporal que generaliza injeção de dados, manipulação de tempo, DoS e geração de dados falsos, aplicável a sistemas de amostragem não periódica.
2. Algoritmo de Fusão Descentralizado e Seguro: Desenvolvimento de um algoritmo que, na ausência de ataques, é matematicamente equivalente ao Filtro de Kalman ótimo. Na presença de ataques, fornece estimativas com erro limitado.
3. Condições de Estabilidade e Limites de Erro:
   • Prova de que, sem ataques, a solução com regularização $\ell_1$ é idêntica à do KF ótimo, desde que o parâmetro de regularização $\gamma$ satisfaça uma condição suficiente.
   • Estabelecimento de um limite superior uniforme para o erro de estimação na presença de ataques. Este limite é independente dos valores dos ataques e depende apenas dos parâmetros do sistema e da redundância de observabilidade (assumindo que o sistema é $2p$-observável).
4. Validação em Sistema Realista: Demonstração da eficácia do método em um sistema de energia elétrica padrão (IEEE 14-bus).

4. Resultados

Os resultados foram validados através de simulações no sistema de teste IEEE 14-bus, que possui 28 variáveis de estado e 42 sensores.

• Cenário sem Ataques: O algoritmo proposto (com $\gamma$ adequado) produziu estimativas idênticas ao Filtro de Kalman padrão e ao método de mínimos quadrados sem regularização, confirmando a Teorema 1 e 2.
• Cenário com Ataques: Foram simulados ataques simultâneos em diferentes sensores (injeção de dados no ângulo de fase, manipulação de tempo na potência, DoS na frequência e geração de dados falsos).
  • O Filtro de Kalman padrão falhou completamente, apresentando grandes erros.
  • Um Filtro de Kalman Robusto (existente na literatura) teve desempenho inferior ao método proposto.
  • O algoritmo proposto manteve o erro de estimação baixo e dentro dos limites teóricos previstos, demonstrando resiliência contra todas as formas de ataques simulados simultaneamente.

5. Significado e Impacto

Este trabalho é significativo porque preenche uma lacuna na literatura sobre segurança ciber-física em sistemas de grande escala que operam com amostragem assíncrona (comum em redes de sensores sem fio e sistemas de energia).

• Resiliência a Manipulação de Tempo: Diferente de trabalhos anteriores que focavam apenas em dados, este artigo trata explicitamente da manipulação de carimbos de tempo, uma vulnerabilidade crítica em sistemas assíncronos.
• Eficiência e Precisão: Ao contrário de métodos baseados em mediana (que podem ser conservadores e perder precisão), a abordagem baseada em regularização $\ell_1$ oferece uma estimativa que é ótima na ausência de ataques e robusta na presença deles, sem sacrificar a precisão desnecessariamente.
• Aplicabilidade Prática: A validação em um sistema de potência realista sugere que a técnica é viável para proteção de infraestruturas críticas contra ataques cibernéticos sofisticados que visam tanto a integridade dos dados quanto a disponibilidade e o tempo de sincronização.