Detail publikace
Penetrating the Power Grid: Realistic Adversarial Attacks on Smart Grid Intrusion Detection Systrems
Nadjm-Tehrani Simin, Prof.
Matoušek Petr, doc. Ing., Ph.D., M.A. (UIFS)
Systémy IDS, Adversial Attacks, kritická infrastruktura, strojové učení, chytré
rozvodné sítě
Rozšířené přijetí a používání systémů detekce incidentů založených na strojovém
učení (ML-IDS) zvýšilo flexibilitu a účinnost automatizované detekce
kybernetických útoků v chytrých energetických sítích. Zavedení systémů IDS
způsobilo vytvoření nového vektoru útoků proti učícím se modelům běžně známý jako
útoky protivníka (adversial attacks). Tyto útoky mohou způsobit v průmyslových
systémech vážné důsledky, protože se protivníci mohou vyhnout detekci IDS. To
může vést k opožděné či znemožněné detekci útoku. Z existující literatury
vyplývá, že řada výzkumů uvažuje modely hrozeb, které jsou nevhodné pro
generování realistických útoků útočníka. Tento článek modeluje realistické útoky
útočníka se zaměřením na skutečné schopnosti útočníků a okolnosti, které útočníci
potřebují k provedení realizovatelných útoků. V tomto článku ukážeme, jak může
útočník zneužít modely ML pomocí metody Fast Gradient Sign Method (FGSM) a útoku
pomocí Jacobian-based Saliency Map Attack (JSMA). K testování modelů jsme využili
datové sady energetických provozů. Celkově se klasifikační výkonnost tří široce
používaných klasifikátorů Random Forest, XGBoost a Naive Bayes snížila, když byly
přítomny vzorky modifikované útočníkem. Výsledky tohoto výzkumu jsou užitečné pro
modelování reálných scénářů útoků.
@inproceedings{BUT189463,
author="Nelson Makau {Mutua} and Simin {Nadjm-Tehrani} and Petr {Matoušek}",
title="Penetrating the Power Grid: Realistic Adversarial Attacks on Smart Grid Intrusion Detection Systrems",
booktitle="Critical Information Infrastructures Security",
year="2025",
series="Lecture Notes in Computer Science",
pages="249--268",
publisher="Springer Nature Switzerland AG",
address="Springer Cham",
doi="10.1007/978-3-031-84260-3\{_}15",
isbn="978-3-031-84259-7",
url="https://link.springer.com/chapter/10.1007/978-3-031-84260-3_15"
}