基于增强时序深度学习的电网控制器异常检测
密码学与安全
2019-06-25 v3 人工智能
摘要
像电网这类安全关键信息物理系统的控制器是一类非常重要的计算机系统。对电网系统控制代码的攻击，尤其是零日攻击，可能是灾难性的。尽早检测异常可防止进一步损害。然而，检测零日攻击极具挑战性，因为它们没有已知代码且行为未知。此外，如果将从控制器收集的数据通过网络传输到服务器进行分析和异常行为检测，这会产生非常大的攻击面并延误检测。为解决此问题，我们提出了硬件性能计数器（HPCs）的重构误差分布（RED），以及基于该分布的数据驱动防御系统。具体而言，我们首先仅使用这些电网系统中每日运行的合法进程的正常 HPC 读数训练一个时序深度学习模型，以建模电网控制器的正常行为。然后，我们使用来自常用 HPCs 的实时数据运行该模型。我们利用所提出的 RED，通过有效的统计检验估计偏离正常行为的分布偏差，来增强对异常行为的时序深度学习检测。在真实电网控制器上的实验结果表明，我们可以以高准确率（>99.9%）、近乎零误报和短（<360ms）延迟检测异常行为。
引用
@article{arxiv.1806.06496,
title = {Power-Grid Controller Anomaly Detection with Enhanced Temporal Deep Learning},
author = {Zecheng He and Aswin Raghavan and Guangyuan Hu and Sek Chai and Ruby Lee},
journal= {arXiv preprint arXiv:1806.06496},
year = {2019}
}
备注
Accepted in the 18th IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom'19)