基于闭式 KL 散度的信息论数字孪生体：用于工业控制系统隐形攻击检测
密码学与安全
2026-03-03 v1 最优化与控制
摘要
数字孪生体 (DTs) 越来越多地用于监控和保护工业控制系统 (ICS)，但检测仍在正常物理边界内操控系统状态的隐形假数据注入攻击 (FDIA) 仍具挑战性：深度学习异常检测器常过度概括此类微妙操控，而经典故障检测方法在高度相关的多变量系统中难以扩展。我们提出一种闭环信息论数字孪生体 (IT-DT) 框架，用于实时异常检测。将 N4SID 识别与稳态卡尔曼滤波相结合，通过闭式 KL 散度量化残差分布偏移，从而捕获均值偏差及恶意交叉协方差偏移。评估在 SWaT 和 WADI 数据集上表明，IT-DT 在 F1 分数上分别达到 0.832 和 0.615，优于如 TranAD 等深度学习基线。计算分析表明，该分析方法所需内存最小，在 CPU 硬件上比基于 Transformer 的方法提供约 600 倍的推理加速。这使得该框架适用于无 GPU 加celeration 的资源受限工业边缘控制器。
引用
@article{arxiv.2603.01621,
title = {Information-Theoretic Digital Twins for Stealthy Attack Detection in Industrial Control Systems: A Closed-Form KL Divergence Approach},
author = {Inda Kreso and Mehran Tarif and Fatemeh Moradi and Iman Khazrak and Mostafa M Rezaee and Mohammadhossein Homaei},
journal= {arXiv preprint arXiv:2603.01621},
year = {2026}
}
备注
6 Pages, 3 Figures, 3 Tables