面向关键基础设施控制的网络韧性数字孪生体：攻击类型鉴别
密码学与安全
2026-03-20 v1 机器学习
摘要
工业网络-物理系统 (ICPS) 面临日益增长的网络攻击威胁，这些攻击利用传感器和控制器的漏洞。数字孪生体 (DT) 技术可通过预测建模检测异常，但当前方法无法区分攻击类型，往往依赖高成本的全系统停机。本文提出 i-SDT (智能自防数字孪生体)，集成水力正则化预测建模、多类别攻击鉴别和自适应韧性控制。时序卷积网络 (TCN) 结合可微分守恒约束捕获正常动态，提高对对抗操纵的鲁棒性。一个循环残差编码器配合最大均值偏差 (MMD) 在潜在空间中将正常运行与单阶段和多阶段攻击分离。当确认攻击后，基于不确定性感知的 DT 预测，模型预测控制 (MPC) 在不关机的情况下维持操作安全。评估在 SWaT 和 WADI 数据集上显示，检测准确率显著提升，误报减少 44.1%，在仿真中嵌入的评估中运营成本降低 56.3%。具有亚秒推理延迟，证明在 plant 级工作站上实现实时可行。i-SDT 为自主网络-物理防御提供了突破，同时保持操作韧性。
引用
@article{arxiv.2603.18613,
title = {Cyber-Resilient Digital Twins: Discriminating Attacks for Safe Critical Infrastructure Control},
author = {Mohammadhossein Homaei and Iman Khazrak and Rubén Molano and Andrés Caro and Mar Ávila},
journal= {arXiv preprint arXiv:2603.18613},
year = {2026}
}
备注
19 Pages, 2 Figures, 12 Tables