基于系统理论方法的机器学习增强型工业控制系统安全漏洞检测研究

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Quick Detection of Influential Inputs in Monte Carlo Simulation using Two-Sample Test

本文提出了一种基于系统理论过程分析（STPA）的系统性方法，用于识别机器学习（ML）增强型工业控制系统（ICS）中的安全漏洞。该方法通过将ML开发流程整合到功能控制结构建模中，并在安全漏洞推导中实施五维因果分析，有效识别由信息物理交互产生的漏洞。案例研究表明，本方法在反应再生系统（RRS）中比现有方法多识别出至少19.7%的漏洞，并通过操作培训模拟系统（OTSS）验证了三个代表性漏洞的影响与危害。

　　

Highlight

本研究提出了一种系统理论方法，用于识别机器学习增强型工业控制系统（ICS）中的安全漏洞，特别关注由复杂信息物理交互引发的漏洞。通过将机器学习开发流程整合到功能控制结构建模中，并在漏洞推导过程中集成跨信息物理域的多维因果因素分析，增强了识别机器学习引入的安全漏洞的能力。

Identification and Analysis of Security Vulnerabilities: Case Study of the RRS

本节展示了反应再生系统（RRS）的案例研究，以识别安全漏洞，重点关注因果分析结果。分析首先将传感器和执行器整合到RRS的分层功能控制结构中。控制结构的一个显著变化是重新分配了15个受控变量，这些变量先前直接链接到...

Validation

本节概述了应用实验设备和操作培训模拟系统（OTSS）仿真平台来验证表12中列出的三个典型安全漏洞。每个安全漏洞均通过专门实验进行评估以衡量其影响。在本研究中，我们采用虚假数据注入（FDI）攻击来验证已识别的三个典型安全漏洞中的两个。对于漏洞V1，实验比较了系统默认设置与...

Conclusion

本研究提出了一种系统理论方法，用于识别机器学习增强型工业控制系统（ICS）中的安全漏洞，特别关注这些系统中的信息物理交互。为说明该方法的应用，我们以石油精炼中的反应再生系统为例。在此示例中，我们将深度强化学习整合到功能控制结构的建模中，旨在提取相关控制行为并精确定位安全...