Resumo Técnico: Detecção de Ataques utilizando Modelos de Fundação de Séries Temporais

Declaração do Problema

Este artigo aborda o desafio de detectar ataques cibernéticos em Sistemas Ciber-Físicos (CPS) onde o operador possui nenhum conhecimento do modelo da planta (nem sua estrutura, nem seus parâmetros). O cenário envolve uma planta localizada remotamente transmitindo medições de sensores através de uma rede suscetível a adulterações. Os autores focam em duas classes específicas de ataques:

1. Ataques de replay sem modelo (model-free): Onde um atacante reproduz dados legítimos gravados (ex: estilo Stuxnet), não exigindo conhecimento do sistema.
2. Ataques furtivos baseados em modelo (model-based): Onde um atacante com conhecimento total do sistema projeta entradas para enviesar maximamente a estimativa de estado, enquanto permanece indetectável por um detector primário baseado em modelo $\chi^2$.

A questão central de pesquisa é se modelos de fundação de séries temporais podem servir como um detector secundário "livre de estrutura de modelo" ($g_s$) para identificar esses ataques, incluindo aqueles especificamente projetados para evitar detectores tradicionais baseados em modelo ($g_p$).

Metodologia

1. Construção de Ataque Furtivo Ótimo

Para estabelecer uma linha de base rigorosa para a detecção, os autores primeiro derivam expressões de forma fechada para a política de ataque furtivo ótima contra um detector $\chi^2$ primário.

• Sistemas Lineares Invariantes no Tempo (LTI): Para sistemas com um observador estático (ex: Luenberger ou Kalman em regime permanente), os autores derivam o vetor de ataque que maximiza o erro de estimativa sujeito à restrição de que a estatística de detecção permaneça abaixo do limiar com uma probabilidade especificada.
• Sistemas Não Lineares: Para sistemas que empregam um Filtro de Kalman Estendido (EKF), os autores derivam uma solução aproximada de forma fechada usando a linearização de primeira ordem da dinâmica de desvio.
• Insight Chave: Estes ataques derivados são matematicamente garantidos como furtivos contra o detector baseado em modelo primário ($g_p$) por construção, desde que o atacante possua conhecimento total do modelo.

2. Algoritmo de Detecção Baseado em TimesFM

A solução proposta substitui o gerador de resíduos baseado em modelo pelo TimesFM, um modelo de fundação de séries temporais desenvolvido pelo Google Research.

• Operação Zero-Shot: O TimesFM opera sem qualquer treinamento, ajuste fino (fine-tuning) ou retreinamento nos dados específicos da planta. Ele aproveita o pré-treinamento em bilhões de pontos de dados de séries temporais diversas.
• Geração de Resíduo Substituto (Surrogate): O algoritmo trata as previsões do TimesFM como um substituto para o comportamento esperado do sistema. O resíduo é definido como a diferença entre a medição real do sensor (potencialmente corrompida) e a previsão do TimesFM.
• Estatística de Detecção: Um teste $\chi^2$ é aplicado a esses resíduos de previsão.
• Mecanismo de Mitigação: Ao detectar um ataque, o algoritmo pode substituir as medições corrompidas por previsões pontuais do TimesFM para manter a estimativa de estado, atuando efetivamente como um substituto de redundância quando as suposições clássicas de redundância de sensores falham.

Fluxo de Trabalho do Algoritmo:

1. Warmup (Aquecimento): O TimesFM observa uma janela de dados passados para formar previsões.
2. Estimativa de Covariância: Uma janela de dados limpos é usada para estimar a covariância dos resíduos de previsão sob operação nominal.
3. Detecção Online: Uma estatística $\chi^2$ é computada. Se um alarme for levantado, o buffer não é atualizado com a medição corrompida, evitando a contaminação de previsões futuras.

Principais Contribuições

1. Políticas de Ataque Ótimas de Forma Fechada: O artigo fornece as primeiras expressões de forma fechada para ataques furtivos ótimos contra detectores $\chi^2$ para sistemas tanto LTI quanto não lineares, assumindo que o atacante possui conhecimento total do modelo.
2. Detecção Livre de Estrutura de Modelo: Os autores propõem e validam um detector baseado no TimesFM que não requer um modelo explícito do sistema. Este detector opera de forma zero-shot, distinguindo-se de métodos tradicionais baseados em dados que exigem treinamento específico para a tarefa e ajuste de hiperparâmetros.
3. Robustez Contra Ataques Furtivos: O artigo demonstra que ataques projetados para serem perfeitamente furtivos contra detectores baseados em modelo são detectados de forma confiável pelo detector baseado em TimesFM. Isso é atribuído ao fato de que o TimesFM carece da "estrutura de inovação" específica que os atacantes baseados em modelo exploram.
4. Mitigação via Previsão: O trabalho demonstra empiricamente que as previsões do TimesFM podem substituir medições corrompidas, permitindo uma estimativa de estado robusta mesmo quando o número de sensores comprometidos viola as suposições padrão de redundância de observabilidade (ex: $N-2M$ sensores).

Resultados Experimentais

A eficácia da abordagem proposta foi validada em dois sistemas:

1. Sistema Massa-Mola Não Amortecido (Linear)

• Ataques de Replay: O detector TimesFM alcançou uma Taxa de Falso Alarme (FAR) de 0,5% (vs. 2,8% para o detector baseado em observador) e manteve a detecção durante todo o ataque, enquanto os alarmes do detector baseado em observador foram intermitentes e indistinguíveis do ruído.
• Ataques Furtivos: Ataques construídos usando o Teorema 1 foram indetectáveis pelo detector baseado em EKF (a FAR permaneceu em níveis nominais), mas foram consistentemente detectados pelo TimesFM.
• Ataque de Sensor Único: Em um cenário onde o único sensor disponível estava comprometido (violando a redundância padrão), o observador protegido pelo TimesFM alcançou um erro de reconstrução de estado significativamente menor do que o observador não protegido.
• Atacante Adaptativo: Contra um atacante adaptativo usando SPSA para evitar ambos os detectores simultaneamente, a presença do detector TimesFM reduziu o impacto do atacante em 91 vezes em comparação com um atacante visando apenas o detector baseado em modelo.

2. Sistema de Potência IEEE 14-Bus (Não Linear)

• Configuração: Um modelo de equação de oscilação (swing equation) não linear com 14 barras e 20 linhas de transmissão.
• Ataques de Replay: O TimesFM levantou alarmes consistentemente durante toda a duração do ataque. O detector baseado em EKF detectou o ataque apenas na fase inicial, antes que os dados de replay se tornassem indistinguíveis do comportamento nominal no resíduo baseado em modelo.
• Ataques Furtivos: Usando a política de ataque não linear do Teorema 2, o detector EKF não levantou alarmes. Em contraste, o TimesFM detectou o ataque em todos os testes.
• Validade Estatística: Um teste de Shapiro-Wilk confirmou que os resíduos de previsão sob operação nominal eram aproximadamente Gaussianos, justificando o uso da estatística de teste $\chi^2$.

Significância e Alegações

Os autores posicionam este trabalho como um passo significativo em direção à defesa em profundidade em CPS. Ao enquadrar o detector TimesFM como uma "segunda camada de defesa" (inspirada no Modelo do Queijo Suíço), o artigo argumenta que:

• Vantagem Livre de Modelo: Diferente dos detectores tradicionais que dependem de modelos explícitos do sistema, a ausência de uma estrutura de inovação de forma fechada no TimesFM torna o modelo inerentemente mais difícil de ser explorado por atacantes baseados em modelo.
• Capacidade Plug-and-Play: A natureza zero-shot do TimesFM elimina a necessidade de retreinamento ou identificação de sistema, tornando-o uma solução prática para sistemas não lineares genéricos onde o conhecimento do modelo é indisponível ou não confiável.
• Além da Detecção: O artigo afirma que os modelos de fundação podem servir um papel duplo: não apenas como detectores, mas também como ferramentas práticas de mitigação para restaurar a estimativa de estado quando a redundância de sensores é comprometida.

O artigo conclui que este é, até onde os autores sabem, o primeiro trabalho a propor um detector zero-shot baseado em modelo de fundação e livre de estrutura de modelo, capaz de lidar tanto com ataques de replay quanto com ataques furtivos baseados em modelo na presença de ruído.