Des chercheurs de l'Institut de technologie de Pékin (BIT) ont récemment développé une nouvelle méthode pour détecter les attaques par injection de fausses données (FDI) sur des infrastructures critiques telles que les réseaux électriques. Leur solution, décrit dans un document présenté à la 44 ^e Conférence annuelle de l'IEEE Industrial Electronics Society, utilise un réseau de neurones récurrents (RNN) avec plusieurs couches cachées, ce qui est plus difficile à tromper pour les attaques d'IDE.

Cyberattaques sur les systèmes cyberphysiques (CPS), notamment sur les infrastructures telles que les réseaux électriques, peut provoquer un chaos et des perturbations importants pour les personnes vivant dans les zones touchées. Par exemple, en décembre 2015, le piratage d'un réseau électrique en Ukraine a touché plus de 230 personnes, 000 personnes, les laissant sans électricité pendant plusieurs heures.

Bien qu'il existe plusieurs méthodes existantes pour prévenir les cyberattaques, un type particulier d'attaque, appelée injection de fausses données (FDI), peut contourner toutes les techniques conventionnelles de surveillance et de sécurité. En cas de succès, Les attaques FDI permettent à l'attaquant de compromettre les mesures des capteurs du réseau, entraver le fonctionnement normal d'un réseau électrique et parfois même endommager les appareils qui y sont connectés.

Dans les années récentes, les chercheurs ont essayé de développer des outils efficaces pour détecter les attaques d'IDE, pour les empêcher de provoquer de graves perturbations des infrastructures. Beaucoup de ces méthodes récemment développées utilisent des techniques d'apprentissage automatique, tels que les algorithmes d'apprentissage supervisé et semi-supervisé.

Malgré les résultats prometteurs obtenus par certaines de ces approches, la plupart d'entre eux ont une variété de défauts et de limitations. Par exemple, certains de ces algorithmes sont sujets à des vulnérabilités exploitées par des variantes d'attaques FDI, tandis que d'autres ne peuvent pas être formés efficacement en raison de la quantité limitée de données liées aux mesures compromises du monde réel.

Pour remédier aux limites des outils existants de détection des IDE, Qingyu Deng et Jian Sun, deux chercheurs au BIT, a développé une nouvelle méthode qui utilise un réseau de neurones récurrents (RNN) avec plusieurs couches cachées. Au sommet de ces couches cachées, le RNN a une couche entièrement connectée avec une fonction d'activation linéaire.

Des études récentes ont montré que les RNN peuvent être particulièrement efficaces pour la prévision de séries chronologiques et la détection d'anomalies, ils pourraient ainsi aider à détecter les cyberattaques. Ces découvertes antérieures ont encouragé Deng et Sun à développer un RNN capable de détecter les attaques d'IDE.

"Dans ce document, nous avons exploité la forte capacité des réseaux de neurones récurrents (RNN) sur la prédiction de séries temporelles à reconnaître les mesures potentiellement compromises, " Deng et Sun ont écrit dans leur journal.

Le RNN proposé par les chercheurs ne nécessite pas de données étiquetées pour fonctionner, ce qui facilite son application dans des scénarios du monde réel. Dans une évaluation sur le système de test de bus IEEE-14, il a obtenu des résultats remarquables, identifier efficacement les mesures compromises avec un faible taux de fausses alarmes (FAR).

À l'avenir, le RNN développé par Deng et Sun pourrait aider à détecter les attaques d'IDE sur les réseaux électriques et autres infrastructures critiques, prévenir les problèmes qui en résultent, agitation et désagréments. Des recherches supplémentaires pourraient aider à développer davantage le système, il peut donc atteindre des taux de précision plus élevés et un FAR inférieur.

© 2019 Réseau Science X