面向核反应堆信号的无监督深度可解释AI框架：用于定位并发重放攻击

下一代先进核反应堆预计将在尺寸和功率输出方面更小，广泛依赖完全数字化的仪器和控制系统。这些反应堆将以多变量时间序列数据的形式产生大量信息，同时传递各种非线性网络物理、过程、控制、传感器和操作状态。确保数据完整性以抵御欺骗攻击正在变得越来越重要，这对于网络通信以及安全可靠运行都是要求。当前解决重放攻击的努力几乎都focus于水印或监督式异常检测方法，却未进一步识别和特征化异常的根本原因。此外，这些方法大多依赖于与非高斯过程和测量噪声不相关的合成数据，或需要完整状态反馈，或限制于单变量信号、信号平稳性、线性二次调节器，或其他线性时不变状态空间模型，这些可能无法捕捉任何未建模的系统动力学。在受监管的核网络物理系统领域，针对重放攻击的特征化以及使用真实数据对预测的可解释性方面仍需更多工作。本文提出一种基于自编码器和定制化windowSHAP算法的无监督可解释AI框架，以完整特征化动态演化反应堆过程中的实时重放攻击，即检测、源头识别、时间和类型，复杂度逐渐增加。该提出的XAI框架在来自Purdue核反应堆PUR-1的几个真实世界数据集上进行了基准测试，最多可同时重放六个信号。在所有情况下，该XAI框架均能以95%或更好的准确率检测并识别正在重放的信号来源和数量，以及伪造的持续时间。