[论文解读] Challenges and Opportunities in CPS Security: A Physics-based Perspective

Chuadhry Mujeeb Ahmed, Jianying Zhou|arXiv (Cornell University)|Apr 7, 2020

Smart Grid Security and Resilience参考文献 58被引用 11

一句话总结

本文提出 NoiSense，一种基于物理特性的被动传感器指纹识别技术，通过分析传感器的固有测量噪声来检测网络物理攻击。通过将传感器噪声建模为独特的高斯指纹，NoiSense 实现了无需额外硬件即可准确识别伪造或恶意传感器，20个传感器测试中分类准确率达到100%，从而增强了关键基础设施系统中的完整性保护。

ABSTRACT

The integration of cyber technologies (computing and communication) with the physical world gives rise to complex systems referred to as Cyber Physical Systems (CPS), for example, manufacturing, transportation, smart grid, and water treatment. Many of those systems are part of the critical infrastructure and need to perform safely, reliably, and securely in real-time. CPS security is challenging as compared to the conventional IT systems. An adversary can compromise the system in both the cyber and the physical domains. However, the unique set of technologies and processes being used in a CPS also bring up opportunities for defense. CPS security has been approached in several ways due to the complex interaction of physical and cyber components. In this work, a comprehensive study is taken to summarize the challenges and the proposed solutions for securing CPS from a Physics-based perspective.

研究动机与目标

• 为解决在传统入侵检测系统无法检测物理领域传感器欺骗攻击的网络物理系统（CPS）中确保数据完整性的关键挑战。
• 探索如何利用传感器行为的物理规律来检测传统基于模型的检测方法难以察觉的隐蔽多点攻击。
• 开发一种无需硬件修改或额外传感器的被动、非侵入式传感器认证方法。
• 评估利用测量噪声作为唯一指纹来识别工业控制系统中合法与受损传感器的可行性与准确性。
• 证明基于物理特性的检测方法（通过传感器噪声指纹）可与现有安全机制互补，提升对复杂攻击的弹性防御能力。

提出的方法

• 在稳定、恒定条件下采集工业传感器（如超声波液位传感器）的时间序列传感器数据，以提取测量噪声。
• 将提取的噪声建模为统计分布——具体为高斯分布，以表征每个传感器的固有硬件差异。
• 将该噪声分布作为每个传感器的独特指纹（NoiSense），实现在无需额外硬件情况下的设备级识别。
• 通过在包含20个相同型号传感器的测试环境中，将每个传感器的噪声指纹与其他所有传感器进行比较，实现多类分类。
• 采用被动检测：无需主动探测或网络变更，仅需分析现有传感器数据流。
• 使用混淆矩阵验证检测性能，评估在接近真实工厂环境的工业场景中，相同传感器型号之间的分类准确性。

实验结果

研究问题

• RQ1 传感器的固有测量噪声能否可靠地用作CPS中传感器认证的唯一硬件指纹？
• RQ2 在真实工业环境中，被动的基于噪声的指纹识别技术（NoiSense）在区分同一型号的多个相同传感器方面效果如何？
• RQ3 通过传感器噪声实现的基于物理特性的检测，在克服传统基于模型的入侵检测系统在检测隐蔽攻击方面的局限性方面，其有效程度如何？
• RQ4 在包含多个同类型传感器的中等规模工业工厂中，NoiSense的性能与可扩展性极限是什么？
• RQ5 NoiSense能否在不修改现有CPS基础设施的前提下，检测到数字域和物理域的传感器欺骗攻击？

主要发现

• NoiSense 仅基于各传感器独特的测量噪声指纹，成功在20个相同型号的超声波传感器中实现了100%的分类准确率。
• 各传感器间的噪声分布符合高斯分布，证实了固有硬件差异作为指纹基础的稳定性和独特性。
• NoiSense 是一种被动检测方法，无需额外传感器、网络修改或主动探测，可在现有CPS环境中直接部署。
• 该技术对传统统计检测器（如CUSUM或坏数据检测器）难以察觉的隐蔽多点攻击具有显著有效性。
• 尽管NoiSense可检测传感器层面的攻击，但无法检测执行器层面的破坏，表明需要结合执行器指纹识别技术。
• 由于需要数据累积，检测延迟高于无状态方法，但在面对智能自适应攻击者时，其性能优于统计检测器。