LOTL-Hunter:基于数字孪生(Digital Twin)与决策融合(Decision Fusion)技术的工控系统(CPS)中多阶段Living-off-the-Land(LOTL)攻击检测

《Future Generation Computer Systems》:LOTL-Hunter: Detecting Multi-Stage Living-off-the-Land Attacks in Cyber-Physical Systems using Decision Fusion Techniques with Digital Twins

【字体: 大 中 小 】 时间:2026年01月23日 来源:Future Generation Computer Systems 6.2

编辑推荐:

  摘要:智能传感器与执行器在工业环境中的集成扩大了信息物理系统(Cyber-Physical Systems, CPS)的网络攻击面,使得区分网络攻击引发的异常与机械或电气故障引发的异常愈发困难。利用Living off the Land(LOTL)技术的隐蔽多

  
摘要:智能传感器与执行器在工业环境中的集成扩大了信息物理系统(Cyber-Physical Systems, CPS)的网络攻击面,使得区分网络攻击引发的异常与机械或电气故障引发的异常愈发困难。利用Living off the Land(LOTL)技术的隐蔽多阶段攻击进一步加剧了这一挑战,此类攻击常能规避传统异常检测系统或入侵检测系统(Intrusion Detection System, IDS)。研究人员提出一种基于数字孪生(Digital Twin)的测试床(Testbed),用于安全且可重复地模拟针对CPS与工业控制系统(Industrial Control Systems, ICS)的多阶段信息物理攻击。研究人员提出了一种两级决策融合(Two-level Decision Fusion)方法,以同步的1分钟时间间隔聚合并对齐网络域、过程域与主机域的异常。第一级融合通过将(a)用于过程异常的有监督深度学习模型(LSTM-FCN)、(b)用于OPC UA网络异常的无监督模型(Isolation Forest)及(c)过程报警信号的组合输出应用置信度感知决策逻辑,提升OT(Operational Technology)层检测能力。第二级融合将这些结果与基于主机的异常(通过对Wazuh告警进行基于点数的评分计算得出)相整合,以提供全面的IT/OT态势感知(Situational Awareness)。实验结果表明该方法改进了对隐蔽多阶段APT攻击行为的检测。此外,大语言模型(Large Language Model, LLM)可将融合后的IT/OT异常日志汇总为人类可读的洞察,增强可解释性并支持网络威胁猎捕(Cyber Threat Hunting)。
论文解读:LOTL-Hunter——基于数字孪生与两级决策融合的CPS多阶段LOTL攻击检测
一、研究背景与意义
工业环境中TCP/IP协议的广泛采用使信息技术(IT)与运营技术(OT)趋于融合,提升了监控效率但同时也扩大了信息物理系统(Cyber-Physical Systems, CPS)及工业控制系统(Industrial Control Systems, ICS)的攻击面。当前面临三个核心问题:其一,难以区分机械/电气故障与网络攻击引发的物理过程异常,误判将延误应急响应;其二,传统IDS通常仅单独分析网络流量或物理过程数据,无法应对跨域攻击;其三,高级持续威胁(Advanced Persistent Threat, APT)常采用Living off the Land(LOTL)技术滥用环境中已存在的可信工具(如PowerShell、合法HMI操作)发起多阶段隐蔽攻击,能完美伪装成正常OT协议流量(如OPC UA),致使基于签名的检测失效。
现有数字孪生(Digital Twin)研究多聚焦单数据源异常检测或Modbus协议滥用,缺乏对LOTL型多阶段APT在IT/OT边界穿越行为的模拟与跨域关联检测。为此,Carol Lo、Thu Yein Win、Zeinab Rezaeifar、Zaheer Khan及Phil Legg(University of the West of England)构建了一个集成工业级软件的数字孪生测试床,提出两级决策融合方法关联异构异常源以提升检测能力,相关工作发表于《Future Generation Computer Systems》。
二、主要关键技术方法
研究人员搭建涵盖Purdue模型Level 0–3的数字孪生测试床:Level 0–1采用Siemens NX Mechatronics Concept Designer(MCD)仿真拾放(Pick-and-Place)物理过程及S7-PLCSIM Advanced模拟PLC逻辑;Level 2部署Ignition HMI与PostgreSQL存储过程报警;Level 3为运行Siemens TIA Portal的工程站;Kali Linux模拟攻击者。采集过程时序数据(NX MCD导出,采样0.03s)、OPC UA网络流量(Wireshark+Zeek含icsnpp-opcua-binary解析)、主机日志(Wazuh Agent+Sysmon)。过程异常用有监督LSTM-FCN(LSTM-Fully Convolutional Network, sktime库)做五分类(1正常+4种执行机构操纵场景);网络异常用无监督Isolation Forest(scikit-learn)检测异常OPC UA WriteRequest;主机异常采用基于Wazuh规则的23项特征点式二进制评分(每分钟命中数累加)。一级融合以1分钟窗口对齐过程与网络异常得分,用置信度感知决策逻辑处理缺省数据与冲突预测(过程判威胁且网络判正常时优先过程模型);二级融合将主机异常得分与一级OT融合结果按时间轴合并,生成统一异常日志并由Gemini 2.5 Flash做摘要。
三、研究结果
5.1. Result of Network Anomaly Detection Model(网络异常检测结果)
Isolation Forest在五步攻击链推理中对OPC UA流量的检测精度76%,攻击类精确率45%、召回率65%、F1值53%。对通过HMI发起的细微写入(Step 3)敏感度低,但对诊断工具直接注入写命令(Step 5)可形成明显负分异常簇,存在少量误报与8%边界模糊样本。
5.2. Result of Process Anomaly Detection Model(过程异常检测结果)
有监督LSTM-FCN验证集准确率73%,对未见过多向量攻击达100%分类正确;推理阶段表现保守——攻击类精确率100%(零误报)但召回率仅38%,未标记概率低于置信阈值(<0.8)的潜在威胁,可提供具体威胁类别(如传送带超速)辅助研判。
5.3. Result of First-level Decision Fusion(第一级决策融合结果)
引入置信度感知逻辑后,一级融合在148分钟窗口(有效98分钟)内攻击类精确率67%、召回率65%、F1值66%、宏平均F1值78%,较单模Process Only(F1=55%)和Network Only(F1=53%)分别提升11与13个百分点,有效平衡了过程模型的低召回与网络模型的高误报,假阳性由Process Only的0例升至10例但仍可控。
5.4. Result of Host Anomaly Detection(主机异常检测结果)
基于Wazuh的点数评分在正常时段近零;Step 1(SMB初始访问/CrackMapExec)与Step 2(PowerShell侦察/LOLBins下载尝试)、Step 4(横向移动至工程站)均出现显著分数尖峰,证明该机制可有效捕获IT域LOTL行为。
5.5. Result of Second-level Decision Fusion(第二级决策融合结果)
二级融合叠加主机与OT异常后:Step 1检测延迟由一级融合的14:10提前至14:07(提前3分钟),Step 2由14:49提前至14:24(提前25分钟),Step 3–5与一级融合基本一致或微幅改善。融合日志完整记录了各阶段MITRE ATT&CK映射(如T1550.002 Pass the Hash、T1105 Ingress Tool Transfer、T0823 Manipulation of Control)、OPC UA写请求数与过程报警触发情况,LLM生成的摘要清晰呈现跨域攻击链演进时序。
四、讨论与结论
研究人员通过数字孪生测试床验证了跨域多模态异常关联对LOTL型APT检测的价值。一级融合弥补OT域内过程与网络单源的局限,二级融合通过纳入主机异常实现IT侧早期预警,缩短发现时延。局限性含1分钟聚合可能平滑瞬时异常(对渐进LOTL影响小)、根因推断未实现、当前限于单一拾放流程需更多案例验证泛化性、过程数据缺失段靠时间戳重建并靠置信逻辑容错、融合规则为专家定义未来可用监督学习自动优化。
结论(翻译): 本研究提出一种基于数字孪生测试床的两级决策融合方法,用于检测工控CPS/ICS中利用Living off the Land(LOTL)技术的隐蔽多阶段信息物理攻击。实验表明,第一级融合结合过程有监督深度学习(LSTM-FCN)、OPC UA网络无监督异常检测(Isolation Forest)及过程报警信号,提升OT层可见性;第二级融合整合源自Wazuh告警的主机异常评分,增强IT/OT态势感知。该分层融合策略较单一模态提供更全面且可解释的攻击链视图,显著提升对跨IT/OT多阶段APT的检测能力。未来工作将推进硬件在环(Hardware-in-the-Loop, HITL)验证、自动化融合规则学习、融合告警至MITRE ATT&CK缓解措施映射及LLM引导响应剧本,并扩展Linux基LOTL场景与C2基础设施以丰富基准数据集。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号