[论文解读] Efficient Cyber Attacks Detection in Industrial Control Systems Using Lightweight Neural Networks and PCA

Moshe Kravchik, Asaf Shabtai|arXiv (Cornell University)|Jul 2, 2019

Adversarial Robustness in Machine Learning参考文献 51被引用 11

一句话总结

本文提出了一种轻量级、可泛化的工业控制系统（ICS）异常检测方法，结合一维卷积神经网络（CNN）与自编码器（AE），在时域和频域上进行分析。该方法在三个公开的 ICS 数据集上实现了最先进的检测性能，对对抗性规避攻击表现出强鲁棒性，并通过特征归因实现攻击定位。此外，基于主成分分析（PCA）的预处理在许多情况下提升了检测效率与准确性。

ABSTRACT

Industrial control systems (ICSs) are widely used and vital to industry and society. Their failure can have severe impact on both economics and human life. Hence, these systems have become an attractive target for attacks, both physical and cyber. A number of attack detection methods have been proposed, however they are characterized by a low detection rate, a substantial false positive rate, or are system specific. In this paper, we study an attack detection method based on simple and lightweight neural networks, namely, 1D convolutions and autoencoders. We apply these networks to both the time and frequency domains of the collected data and discuss pros and cons of each approach. We evaluate the suggested method on three popular public datasets and achieve detection rates matching or exceeding previously published detection results, while featuring small footprint, short training and detection times, and generality. We also demonstrate the effectiveness of PCA, which, given proper data preprocessing and feature selection, can provide high attack detection scores in many settings. Finally, we study the proposed method's robustness against adversarial attacks, that exploit inherent blind spots of neural networks to evade detection while achieving their intended physical effect. Our results show that the proposed method is robust to such evasion attacks: in order to evade detection, the attacker is forced to sacrifice the desired physical impact on the system. This finding suggests that neural networks trained under the constraints of the laws of physics can be trusted more than networks trained under more flexible conditions.

研究动机与目标

• 开发一种通用性强、轻量化的 ICS 异常检测方法，在计算资源占用极少的前提下保持高检测精度。
• 评估一维 CNN 与自编码器在时域与频域上的表现，验证其在多种 ICS 数据集中的攻击检测有效性。
• 通过基于神经网络的特征归因方法，识别受影响的传感器或执行器，实现可解释的攻击定位。
• 评估所提模型对旨在规避检测但保持物理系统影响的对抗性规避攻击的鲁棒性。
• 探究基于主成分分析（PCA）的特征选择与重构作为轻量级基线检测器的实用性。

提出的方法

• 该方法采用一维 CNN 与欠完备自编码器（UAE）从 ICS 传感器与执行器数据中学习正常行为模式，覆盖时域与频域。
• 时域数据直接处理，频域分析则通过短时傅里叶变换（STFT）提取频谱特征。
• 通过柯尔莫哥洛夫-斯米尔诺夫检验（Kolmogorov-Smirnov test）进行特征选择，识别最具区分性的变量，降低噪声并提升模型泛化能力。
• 通过计算模型输出对输入特征的梯度，实现攻击定位，突出最可能被破坏的传感器或执行器。
• 采用白盒攻击模型生成对抗性输入以规避检测，评估鲁棒性时在不同噪声约束下进行测试。
• 将主成分分析（PCA）应用于预处理与独立检测方法中，以重构误差作为异常评分。

实验结果

研究问题

• RQ1 一维 CNN 与自编码器是否能在不同 ICS 数据集中泛化，并在检测精度上超越先前方法？
• RQ2 与时域分析相比，频域表示是否能提升攻击检测性能？
• RQ3 模型能否通过识别受影响的传感器或执行器，实现可解释的攻击定位？
• RQ4 基于神经网络的检测器对保留物理系统影响的对抗性规避攻击是否具备足够鲁棒性？
• RQ5 基于 PCA 的特征选择与重构能否作为 ICS 异常检测的有效轻量级基线？

主要发现

• 所提出的 1D CNN 与自编码器模型在 SWaT、WADI 与 PecanStreet 数据集上的检测率与先前发表结果持平或更优，且具备低误报率与快速推理时间。
• 采用 STFT 的频域分析在某些情况下提升了检测性能，尤其在信号具有周期性或谐波成分时，这些特征对异常具有指示意义。
• 模型表现出强对抗鲁棒性：能够规避检测的对抗性输入需显著偏离预期物理行为，因此在实际攻击中不切实际。
• 在施加噪声约束（如 ≤0.05）时，对抗性输入生成完全失败，表明对现实扰动具有高度抗性。
• 基于 PCA 的重构误差可作为有效的基线检测器，当结合适当的特征选择时，其性能常与更复杂的模型持平或更优。
• 基于梯度的显著性分析成功识别出受影响的传感器或执行器，为系统管理员提供了可操作的洞察，尽管在欺骗攻击中可能存在多特征同时触发的情况。