[论文解读] NoiSense: Detecting Data Integrity Attacks on Sensor Measurements using Hardware based Fingerprints

Chuadhry Mujeeb Ahmed, Aditya P. Mathur+1 more|arXiv (Cornell University)|Dec 5, 2017

Physical Unclonable Functions (PUFs) and Hardware Security参考文献 43被引用 10

一句话总结

NoiSense 提出了一种基于硬件的传感器指纹识别技术，利用制造缺陷引起的固有噪声模式，唯一地识别工业控制系统（CPS）中的传感器。通过在时域和频域噪声特征上应用机器学习，该方法在传感器识别中实现了高达 97% 的准确率，并以 100% 的真正例率和 0% 的假正例率检测出物理传感器替换和模拟欺骗攻击。

ABSTRACT

In recent years fingerprinting of various physical and logical devices has been proposed with the goal of uniquely identifying users or devices of mainstream IT systems such as PCs, Laptops and smart phones. On the other hand, the application of such techniques in Cyber-Physical Systems (CPS) is less explored due to various reasons, such as difficulty of direct access to critical systems and the cost involved in faithfully reproducing realistic scenarios. In this work we evaluate the feasibility of using fingerprinting techniques in the context of realistic Industrial Control Systems related to water treatment and distribution. Based on experiments conducted with 44 sensors of six different types, it is shown that noise patterns due to microscopic imperfections in hardware manufacturing can be used to uniquely identify sensors in a CPS with up to 97% accuracy. The proposed technique can be used in to detect physical attacks, such as the replacement of legitimate sensors by faulty or manipulated sensors. We also show that, unexpectedly, sensor fingerprinting can effectively detect advanced physical attacks such as analog sensor spoofing due to variations in received energy at the transducer of an active sensor. Also, it can be leveraged to construct a novel challenge-response protocol that exposes cyber-attacks.

研究动机与目标

• 探究现实工业 CPS 环境中的工业传感器是否由于制造缺陷而表现出独特且可重复的硬件指纹。
• 开发一种非侵入式、低开销的传感器认证方法，利用固有噪声特性进行认证，而无需修改现有传感器硬件或通信协议。
• 评估利用传感器指纹检测物理攻击（如传感器替换或模拟欺骗）在工业控制系统中的可行性。
• 设计一种基于传感器指纹的新型挑战-响应协议，以检测 CPS 中的高级网络攻击。
• 展示该方法在多种传感器类型和真实运行环境中的鲁棒性与可扩展性。

提出的方法

• 从稳定环境条件下采集的原始传感器噪声信号中提取时域和频域特征。
• 使用多类支持向量机（SVM）基于其独特的噪声特征配置对单个传感器进行分类和识别。
• 在包含 44 个传感器的 6 种不同类型（包括超声波液位传感器及其他来自水处理厂的工业传感器）的数据集上训练模型。
• 利用由微米级制造差异引起的噪声模式独特性，创建难以复制的设备特定指纹。
• 实现一种挑战-响应协议，控制器基于预期的指纹行为发送挑战，传感器则通过返回其噪声配置来验证真实性。
• 通过测量检测准确率以及假正例/假负例率，在多种攻击场景（包括传感器替换和模拟欺骗）下验证该方法。

实验结果

研究问题

• RQ1 工业传感器中由制造引起的噪声变化是否可作为唯一、稳定且可检测的指纹用于传感器识别？
• RQ2 在真实 CPS 环境中，传感器指纹在多大程度上能够检测出如传感器替换或模拟欺骗等物理攻击？
• RQ3 基于机器学习的方法是否能仅通过噪声特征实现对合法与受损传感器的高准确率区分？
• RQ4 所提出的挑战-响应协议在检测利用传感器信任模型的高级网络攻击方面有多有效？
• RQ5 该指纹方法在工业控制系统中不同传感器类型和运行条件下是否仍保持鲁棒性？

主要发现

• 所提出的 NoiSense 方法在 6 种不同类型共 44 个工业传感器的数据集上，实现了高达 99% 的传感器识别准确率。
• 在 44 个传感器中，31 个识别准确率超过 96%，13 个超过 90%。
• 该方法对模拟传感器欺骗攻击实现了 100% 的真正例率和 0% 的假正例率。
• 基于传感器指纹的挑战-响应协议通过验证传感器响应的真实性，成功暴露了高级网络攻击。
• 传感器指纹的独特性源于制造缺陷，即使同型号同类型的传感器也难以复制。
• 该方法是非侵入式的，不影响宿主系统性能，且无需修改现有传感器硬件或通信协议。