物联网与深度学习赋能预测分析中的虚假数据注入攻击
摘要
工业 4.0 是最新的工业革命，主要将自动化与先进制造相融合，以减少直接人力与资源投入。预测性维护（PdM）是一种工业 4.0 解决方案，借助最先进的机器学习（ML）算法和物联网（IoT）传感器，实现对部件或系统故障的预测。然而，物联网传感器与深度学习（DL）算法均以其对网络攻击的脆弱性而为人所知。在 PdM 系统中，此类攻击可能造成灾难性后果，且因其攻击性质而难以检测。迄今为止，已发表文献大多关注 DL 赋能的 PdM 系统的准确性，往往忽略此类攻击的影响。本文中，我们展示了物联网传感器攻击对 PdM 系统的影响。首先，我们使用三种最先进的 DL 算法，即长短期记忆网络（LSTM）、门控循环单元（GRU）和卷积神经网络（CNN），基于 NASA 的 C-MAPSS 数据集预测涡扇发动机的剩余使用寿命（RUL）。所得结果表明，基于 GRU 的 PdM 模型在使用 C-MAPSS 数据集的 RUL 预测上优于近期部分文献。随后，我们对涡扇发动机传感器数据建模两类不同的虚假数据注入攻击（FDIA），并评估其对基于 CNN、LSTM 和 GRU 的 PdM 系统的影响。所得结果表明，即便仅针对少数物联网传感器的 FDIA 也能严重破坏 RUL 预测。然而，基于 GRU 的 PdM 模型在准确性与弹性方面表现更优。最后，我们使用四种不同序列长度的不同 GRU 网络对基于 GRU 的 PdM 模型展开研究。实验揭示了基于 GRU 的 PdM 模型的准确性、弹性与序列长度之间有趣的关系。
引用
@article{arxiv.1910.01716,
title = {False Data Injection Attacks in Internet of Things and Deep Learning enabled Predictive Analytics},
author = {Gautam Raj Mode and Prasad Calyam and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:1910.01716},
year = {2019}
}
备注
extended version of the manuscript entitled "Impact of False Data Injection Attacks on Deep Learning enabled Predictive Analytics" accepted for publication in the IEEE NOMS 2020 conference