ViSTR-GP：面向自动化机器人操作的基于视觉到状态张量回归和高斯过程的在线网络攻击检测

工业机器人系统是自动化智能制造运营的核心。连接且自动化的工厂面临着日益增长的网络安全风险，这些风险可能导致操作中断和物理损坏。其中，数据完整性攻击常常涉及对漏洞的 sophisticated 利用，使攻击者能够访问和操纵操作数据，因而仅凭现有的入侵检测或基于模型的检测方法难以检测到。本文针对在机器人制造过程中利用现有旁信道检测数据完整性攻击的挑战，开发了一种在线检测框架 ViSTR-GP，通过对照控制器权威之外的俯视摄像头所提供的视觉估计来检查编码器报告的测量值。在此框架中，一次性交互式分割初始化 SAM-Track 以生成每帧的掩码。低秩张量回归类比将每个掩码映射到测量值，而矩阵型高斯过程模型化正常残差，捕捉时序结构和跨关节相关性。从预测分布中推导出的帧级检验统计量提供了一个带可解释阈值的在线检测器。我们在一个真实的机器人测试平台上进行了验证，该平台同步记录了视频帧和编码器数据，收集了多个正常循环并构建了带有分级末端执行器偏移的重放攻击情景。测试平台上的结果表明，所提出的框架能够准确恢复关节角度，并比所有基线方法更早地检测数据完整性攻击且报警频率更高。这些改进在最微妙的攻击中表现得最为明显。这些结果表明，工厂可以通过添加一个独立的物理信道，绕过控制器的权威，即可检测数据完整性攻击，而无需复杂的仪器。