基于黑盒神经网络预测的 PLC 代码完整性证明
密码学与安全
2021-08-24 v2 机器学习
摘要
信息物理系统（CPSs）广泛应用于关键领域，若攻击者能够修改其可编程逻辑控制器（PLCs）的代码，则可能造成重大损害。遗憾的是，传统的代码完整性证明技术（即验证代码未被修改）依赖于固件访问或可信根，而专有或遗留 PLC 不太可能提供二者。本文提出一种实用的代码完整性检查方案，基于隐私保护的黑盒模型，转而证明 PLC 程序的输入/输出行为。利用 PLC 程序的忠实离线副本，我们通过信息流分析识别其最重要输入，在多种组合上执行以收集数据，随后训练能够从输入预测 PLC 输出（即执行器命令）的神经网络。通过利用模型的黑盒特性，我们的方案维护了原始 PLC 代码的隐私，且不假设攻击者不知晓其存在。信任来源于同时以一致结果攻击 PLC 代码与神经网络极为困难这一事实。我们在一个现代六阶段水处理厂测试平台上评估了该方法，发现其能以近 100% 的准确率从 PLC 输入预测执行器状态，从而可检测出我们对 PLC 施加的全部 120 个有效代码变异。最后，我们发现不可能以导致一致（错误）预测的方式同时修改 PLC 代码并对我们的证明器施加隐蔽对抗噪声。
引用
@article{arxiv.2106.07851,
title = {Code Integrity Attestation for PLCs using Black Box Neural Network Predictions},
author = {Yuqi Chen and Christopher M. Poskitt and Jun Sun},
journal= {arXiv preprint arXiv:2106.07851},
year = {2021}
}
备注
Accepted by the 29th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE 2021)