VaR 値化アプローチを用いた RL ベースのサイバー攻撃検出器の実装

科学分野:

• サイバー物理システム (CPS) のセキュリティー
• ネットワーク制御システム (NCS) の脆弱性分析
• 産業制御における機械学習の応用

背景:

• CPSとNCSの接続性の向上は,サイバーセキュリティに関する重大な懸念を提起しています.
• 既存の検出方法は,しばしばシステムモデルを必要とし,その適用性を制限しています.
• 洗練されたサイバー脅威は,高度なリアルタイム検出戦略を必要とします.

研究 の 目的:

• 液体レベル制御CPS (LLC-CPS) のためのモデルフリーでリアルタイムなサイバー攻撃検出方法の開発および検証.
• 強化学習 (RL) とリスク評価 (VaR) を活用して,強固な異常検出を実現する.
• 攻撃検出におけるシステムダイナミクスと非ガウス式ノイズによって引き起こされる課題に対処するために.

主な方法:

• Q-learningを使用して,異常検出のためのベルマン偏差配列を推定し,明示的なシステムモデルの必要性を排除しました.
• ハイテッドレジデュアルと非ガウス分布を扱うために,バリュー・アット・リスク (Value-at-Risk, VaR) 値アプローチを実装した.
• 実験的に,偽データインジェクション (FDI),サービス拒否 (DoS),およびマン・イン・ザ・ミドル (MitM) 攻撃に対する方法を検証しました.

主要な成果:

• 提案された方法は,LLC-CPS.上のさまざまなサイバー脅威の信頼できるリアルタイム検出を実証しました.
• システムの複雑さであっても,攻撃条件から通常の動作状態の効果的な分離を達成しました.
• 性能は,誤報率 (FAR),誤報率 (MAR),検出遅延 (DD),精度,F1スコアを使用して評価され,有望な結果を示しました.

結論:

• モデルフリーなRLベースのアプローチとVaRの値設定は,高度なサイバー脅威に対してCPSを安全にするために実行可能なソリューションを提供します.
• この方法の有効性は,実用的な実験によって確認され,その強度と適応性を強調しています.
• この研究は,産業用制御システムのサイバーセキュリティの強化に貢献しています.