[논문 리뷰] Combating Informational Denial-of-Service (IDoS) Attacks: Modeling and Mitigation of Attentional Human Vulnerability

Linan Huang, Quanyan Zhu|arXiv (Cornell University)|2021. 08. 04.

Smart Grid Security and Resilience참고 문헌 16인용 수 7

한 줄 요약

이 논문은 인간의 주의력 한계를 악용하여 운영자에게 위장 공격(페인트)을 과도하게 제공함으로써 실제 공격을 숨기는 정보적 서비스 거부 공격(IDoS)을 제안한다. 주의력 관리(AM) 전략을 데이터 기반으로 제안하며, 준-마르코프 모델링과 시간차분 학습을 사용하여 인지 부하를 줄인다. 결과적으로 일부 경고에 의 intensional inattention(의도적 무시)가 위험을 최소화함을 보여주며, '합리적 위험 감소 주의력의 법칙'을 정량화한다.

ABSTRACT

This work proposes a new class of proactive attacks called the Informational Denial-of-Service (IDoS) attacks that exploit the attentional human vulnerability. By generating a large volume of feints, IDoS attacks deplete the cognitive resources of human operators to prevent humans from identifying the real attacks hidden among feints. This work aims to formally define IDoS attacks, quantify their consequences, and develop human-assistive security technologies to mitigate the severity level and risks of IDoS attacks. To this end, we use the semi-Markov process to model the sequential arrivals of feints and real attacks with category labels attached in the associated alerts. The assistive technology strategically manages human attention by highlighting selective alerts periodically to prevent the distraction of other alerts. A data-driven approach is applied to evaluate human performance under different Attention Management (AM) strategies. Under a representative special case, we establish the computational equivalency between two dynamic programming representations to reduce the computation complexity and enable online learning with samples of reduced size and zero delays. A case study corroborates the effectiveness of the learning framework. The numerical results illustrate how AM strategies can alleviate the severity level and the risk of IDoS attacks. Furthermore, the results show that the minimum risk is achieved with a proper level of intentional inattention to alerts, which we refer to as the law of rational risk-reduction inattention.

연구 동기 및 목표

• IDoS 공격의 심각도와 위험을 공식적으로 정의하고 정량화한다.
• 지능적인 위장 기반 공격으로 인해 인간 운영자가 대상이 되는 고위험 환경에서의 경고 과부하 문제를 다룬다.
• 감지 정확도를 향상시키고 반응 지연을 줄이기 위해 사전적 주의력 관리를 수행하는 인간 보조 보안 기술을 개발한다.
• 불확실성 하에서 실시간, 저복잡도의 학습을 가능하게 하는 계산 프레임워크를 수립한다.
• 검토 품질과 양의 균형을 맞춰 사이버 위험을 최소화하는 최적의 주의력 관리 전략을 특정한다.

제안 방법

• 공격 시퀀스를 카테고리 레이블이 부여된 경고(위장 또는 실제)를 포함한 준-마르코프 과정으로 모델링하여 시간적 동역학을 포착한다.
• 장기 비용 평가 및 실시간 가치 함수 추정을 위해 동적 프로그래밍과 시간차분(TD) 학습을 사용한다.
• 일부 경고만 주기적으로 강조하고 나머지는 눈에 띄지 않게 하여 주의 산산이 흩트리는 것을 줄이는 주의력 관리(AM) 전략을 도입한다.
• 누적 비용(CC)과 집적 누적 비용(ACC) 표현 간의 계산적 동치성을 증명하여 상태공간 차원과 복잡도를 감소시킨다.
• 실시간 점검 시간과 의사결정 정확도 지표를 사용해 다양한 AM 전략 하에서 인간 성능을 평가하는 데이터 기반 접근법을 적용한다.
• 불확실성 비용과 점검 보상 요소를 통합하여 인간 의사결정에서 속도, 정확도, 위험 간의 트레이드오프를 모델링한다.

실험 결과

연구 질문

• RQ1 공격 도착률과 점검 효율 임계치의 곱은 IDoS 공격의 심각도와 위험에 어떤 영향을 미치는가?
• RQ2 최소한의 집적 IDoS 위험을 달성하기 위해 점검 대상 경고 수와 점검 깊이 사이의 최적 균형은 무엇인가?
• RQ3 주의력 관리 전략은 검출 정확도를 유지하거나 향상시키면서 IDoS 공격의 심각도 수준을 낮출 수 있는가?
• RQ4 어떤 조건에서 특정 경고에 대한 의도적 무시가 전체 위험을 낮추는 데 기여하며, 이 현상의 이론적 기반은 무엇인가?
• RQ5 동적 프로그래밍과 시간차분 학습은 인간 보조 보안 시스템에서 저지연, 온라인 학습을 가능하게 하기 위해 어떻게 적응시킬 수 있는가?

주요 결과

• IDoS 공격의 심각도 수준은 공격 도착률과 점검 효율 임계치의 곱에 따라 지수적으로 증가한다.
• 강조 경고 수(m)가 충분히 증가하면, 도착률과 관계없이 주의력 관리(AM) 전략이 심각도 수준을 0.04로 낮춘다.
• 불확실성 비용이 낮을 경우(cUN = 0.2), 집적 IDoS 위험은 m에 대해 U자형 곡선을 보이며, 의도적 무시의 최적 수준에서 최소 위험을 기록한다.
• 불확실성 비용이 높을 경우(cUN = 20), 최적 전략은 '흩뿌리기 및 시도' 방식—즉, 가능한 한 많은 경고를 점검하는 방식—으로 이동한다. 이는 세밀한 점검의 신뢰도가 낮기 때문이다.
• 최소 집적 위험는 중간 수준의 점검 깊이에서 달성되며, 이는 '합리적 위험 감소 주의력의 법칙'을 검증한다. 즉, 더 적은 점검이 더 나은 결과를 낳을 수 있다.
• CC/ECC와 ACC/EACC 표현 간의 계산적 동치성은 상태공간 차원을 감소시키며, 지연 없이 샘플 수를 줄여 온라인 학습을 가능하게 한다.