传感器系统状态序列估计的网络安全:一种基于机器学习的防护方法

《IEEE Journal of Selected Areas in Sensors》:Cyber Security of Sensor Systems for State Sequence Estimation: A Machine Learning Approach

【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Journal of Selected Areas in Sensors

编辑推荐:

  本刊推荐:针对传感器数据攻击可能造成的严重后果,研究人员开展了基于机器学习的传感器系统状态序列估计网络安全研究。该研究提出了APCC-SIMPLE和APCC-ADDITIONAL两种保护方法,能够准确识别并消除攻击数据,在未知攻击传感器数量和模式的情况下仍能保持优异性能。研究结果表明,该方法性能接近已知攻击传感器位置的理想情况,为数据驱动的序列估计算法提供了有效保护。

  
在现代社会,传感器已成为基础设施中不可或缺的组成部分,从智能交通系统到工业自动化,传感器网络无处不在。然而,随着传感器技术的普及,网络安全问题日益凸显。2020年世界经济论坛的全球风险报告将针对关键基础设施的网络攻击列为亟待缓解的首要关切问题。传感器系统尤其容易受到网络攻击,而一旦遭受攻击,可能造成灾难性后果。
传感器攻击的形式多种多样,以雷达系统为例,攻击者可以通过欺骗攻击完全控制传感器数据。如图1所示,在正常操作中,雷达通过发射和接收脉冲波来检测目标距离。而攻击者可以接收雷达发射的波形,存储一段时间后,以自己选择的额外延迟重新播放,从而完全控制雷达报告的目标距离数据。类似的攻击也适用于激光雷达、声纳和GPS等主动传感器系统。
面对如此严峻的安全挑战,现有的防护方法存在明显不足。传统的基于卡尔曼滤波的保护方法需要已知传感器数据的数学模型,不适用于数据驱动的机器学习方法。而拜占庭容错方法在攻击传感器数量未知时性能急剧下降。编码器-解码器异常检测(EDAD)方法虽然能够检测异常,但攻击者可以通过用一个有效轨迹替换另一个有效轨迹来绕过检测,导致估计误差无限增大。
为了解决这些问题,研究人员在《IEEE Journal of Selected Areas in Sensors》上发表了这项开创性研究,旨在为任何未受保护的序列估计/回归算法提供一个外层保护壳,使其能够在遭受攻击时仍能正常运行。
关键技术方法包括:基于随机森林(Random Forest)的传感器输出预测、实际路径一致性检查(APCC)、最坏情况攻击建模以及基于直方图统计的异常检测。研究人员使用SUMO(城市移动仿真)生成车辆轨迹数据,通过蒙特卡洛模拟进行性能评估,采用最大似然估计(MLE)作为融合方法,并设计了针对不同攻击者知识水平的两种保护策略。
研究结果
APCC-SIMPLE方法对无知识攻击者的防护效果
针对不了解保护系统详细信息的攻击者,研究提出了APCC-SIMPLE方法。该方法对通过EDAD检测的传感器数据,减去基于随机森林的典型未受攻击传感器输出预测值,然后检查差值是否落在基于训练数据确定的置信区间内。实验结果表明,在攻击者随机选择攻击轨迹的情况下,APCC-SIMPLE方法的归一化均方根误差(NRMSE)与已知哪些传感器被攻击的理想情况(Genie Estimate)几乎完全相同。如表I和表II所示,在不同传感器数量、不同攻击传感器数量以及不同噪声方差条件下,APCC-SIMPLE都表现出色。
APCC-ADDITIONAL方法对有知识攻击者的增强防护
对于了解保护系统详情的攻击者,研究提出了APCC-ADDITIONAL方法作为增强防护。该方法在APCC-SIMPLE基础上,增加了基于直方图的统计一致性检查。通过训练数据确定直方图bin的上限U(x),使得操作期间直方图值f?(x)超过U(x)的概率为α。当发现某些bin的统计值异常时,排除导致异常的最小数量传感器数据。
最坏情况攻击分析与防护效果
研究的重要贡献之一是能够数学描述最坏情况攻击。对于APCC-SIMPLE,最坏情况是边缘攻击(edge attack),攻击者将攻击值恰好置于置信区间边缘。对于APCC-ADDITIONAL,最坏情况是注水攻击(water-filling attack),攻击者选择对估计融合造成最大损害且能通过检测的bin进行攻击。
实验结果显示,通过合理选择α和β参数,APCC-ADDITIONAL方法能够显著降低最坏情况攻击造成的性能损失。如表V和表VI所示,在高斯噪声环境下,当40个传感器被攻击时,APCC-ADDITIONAL的NRMSE接近GE,而APCC-SIMPLE的NRMSE要大得多。图8和图9进一步展示了不同参数配置下的性能权衡。
与现有方法的对比分析
研究还将提出的方法与现有方法进行了对比。如表XII所示,与稀疏传感器攻击检测(SSAD)方法相比,在40个传感器被攻击的情况下,APCC-SIMPLE的NRMSE为5.03×10-5,接近GE性能,而SSAD的NRMSE高达1.22×10+2。类似地,与数据重建(DR)方法相比,APCC-SIMPLE也展现出显著优势。这些对比突显了该方法在处理非稀疏攻击时的独特优势。
长期性能稳定性分析
针对预测误差可能随时间累积的问题,研究进行了长期性能测试。如表XI所示,即使在300,000个时间步长的延长测试中,NRMSE仅从1.86×10-4增加到6.00×10-4,表明该方法具有良好的长期稳定性。
研究结论与意义
本研究开发了针对传感器系统状态序列估计的网络安全防护方法,能够在强大的攻击模型下准确识别并消除有问题的受攻击传感器数据。该方法的主要优势在于不假设传感器数据的统计模型形式,适用于保护数据驱动和机器学习的序列估计算法。
通过数学描述最坏情况攻击,研究实现了对防护性能的精确分析和优化。这种方法不仅计算效率高,避免了尝试大量攻击场景的复杂性,而且为其他防护方法的研究提供了新思路。
实验结果表明,APCC-SIMPLE方法在对无知识攻击者的防护中表现优异,性能与已知攻击传感器位置的理想情况相当。而APCC-ADDITIONAL方法则能有效应对有知识攻击者的最坏情况攻击,通过参数配置可以实现性能的灵活权衡。
该研究的实际意义重大,特别是在连接车辆网络(CVNs)等安全关键应用中。通过为传感器数据提供可靠保护,该方法为智能交通系统、工业自动化和物联网等领域的网络安全提供了重要技术支撑。
未来研究方向包括扩展至分布式估计场景、进一步优化预测算法、研究训练数据攻击的防护措施,以及探索与其他防护方法的协同应用。这项研究为传感器网络安全领域奠定了重要基础,开辟了新的研究途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号