PoisonCatcher: 揭示和识别 IIoT 中的 LDP 中和攻击

局部差分隐私 (LDP) 作为一种稳健的隐私保护模型，在工业物联网 (IIoT) 中因其轻量、去中心化和可扩展性而广泛采用。然而，其基于扰动的隐私保护机制阻碍了对任意两个数据进行区分，从而促进了 LDP 中和攻击。IIoT 边缘设备暴露的物理层漏洞和资源受限不仅促进了此类攻击，也使现有的 LDP 中和防御——所有部署在边缘且依赖充足资源——在实际中不可行。本工作提出了一个针对 IIoT 的 LDP 中和防御方案，部署在资源丰富的聚合器上。我们首先揭示了在 LDP 用于 IIoT 数据收集过程中发生的关键中和攻击模式，详细说明了 IIoT 漏洞如何启用攻击，然后构建一个通用攻击模型并推导出被中和数据的不可区分性。随后，本工作基于工业过程相关性分析中和对聚合数据的影响，揭示了统计查询结果的时间相似性失真和导致属性间相关性被破坏的结果，揭示了令人惊讶的悖论： adversary 试图通过稳定其中和行为来实现隐蔽性，但实际上难以维持。基于这些发现，我们提出了 PoisonCatcher 用于识别被中和的数据，其包括基于时间相似性、属性相关性和模式稳定性指标的时间序列检测器，用于检测被中和属性，以及用于识别毒草的潜在偏差特征矿工。针对真实数据集的实验表明，PoisonCatcher 成功识别了被中和的数据，表明其在各种攻击设置下具有稳健的识别能力，F2 分数可超过 90.7%。