RampoNN：面向高效网络安全动力学漏洞检测的可达性引导系统 falsification
密码学与安全
2026-04-02 v2 系统与控制
系统与控制
摘要
检测 Cyber-Physical Systems (CPS) 中的动力学漏洞——即控制代码中可能引发危险物理后果的漏洞——是一项关键挑战。这一任务因需要分析复杂软件行为与系统物理动力学之间的错综耦合而复杂化。此外，CPS 应用中控制代码的周期性执行导致必须随时间分析的执行路径呈指数级增长, 远超传统单运行代码分析的范围。本文引入 RampoNN, 一个新型框架, 系统性地识别给定控制代码、物理系统模型及安全行为的信号时序逻辑 (STL) 规范的动力学漏洞。RampoNN 首先分析控制代码, 映射在各种执行分支下可产生的控制信号;随后采用神经网络抽象物理系统的行为。为克服标准神经网络可达性分析的规模差和松散保守估计, RampoNN 独特地采用 Deep Bernstein 神经网络, 配备定制化的可达性算法, 显著收紧边界。这种高精度可达性分析使 RampoNN 能够快速剔除大量确定性安全行为, 并按潜在违反规范的可能性对剩余轨迹进行排序。随后, 这些分析结果用于有效引导 falsification 引擎, 将搜索重点放在最有希望发现实际漏洞的系统行为上。我们在 PLC 控制的水箱系统和用于汽车发动机的换档 PID 控制器上进行评估。结果表明, RampoNN 在发现动力学漏洞方面可实现最高 98.27% 的加速, 并在其他最新方法中展现出优越的可扩展性。
引用
@article{arxiv.2511.16765,
title = {RampoNN: A Reachability-Guided System Falsification for Efficient Cyber-Kinetic Vulnerability Detection},
author = {Kohei Tsujio and Mohammad Abdullah Al Faruque and Yasser Shoukry},
journal= {arXiv preprint arXiv:2511.16765},
year = {2026}
}