增材制造攻击向量的工程化与异常检测
密码学与安全
2026-01-05 v1 人工智能
机器学习
摘要
增材制造（AM）正快速融入航空航天、汽车和医疗等关键领域。然而，这种网络-物理系统的融合引入了新的攻击面，尤其是计算机辅助设计（CAD）与机器执行层之间的接口。在本工作中，我们针对两种广泛使用的熔料沉积建模（FDM）系统——Creality 旗舰型号 K1 Max 和 Ender 3——进行受针对性的网络攻击。我们的威胁模型是一种多层面的数人中间（Man-in-the-Middle, MitM）入侵，攻击者在用户界面与打印机固件之间上传期间截获并操控 G-code 文件。MitM 入侵链条可启用几种隐蔽的破坏情景。这些攻击无法被常规切片软件或运行时接口检测到，导致打印的部件结构有缺陷但外部看起来合理。为抵御这些隐蔽威胁，我们提出一种基于无监督方法的入侵检测系统（IDS），其分析在实际打印期间生成的结构化机器日志。我们的防御机制使用冻结的基于 Transformer 编码器（BERT 变体）来提取系统行为的语义表示，随后采用对比学习训练的投影头来学习对异常敏感的嵌入。随后，使用基于聚类的方法和自注意力自编码器进行分类。实验结果表明，我们的方法能够有效区分良性和受破坏的执行情况。
引用
@article{arxiv.2601.00384,
title = {Engineering Attack Vectors and Detecting Anomalies in Additive Manufacturing},
author = {Md Mahbub Hasan and Marcus Sternhagen and Krishna Chandra Roy},
journal= {arXiv preprint arXiv:2601.00384},
year = {2026}
}
备注
This paper has been accepted to EAI SmartSP 2025. This is the preprint version