Risk-Based Methodology for Optimal Cryptoperiod Calculation in ICSs Under Data Siphoning Attack
Notice bibliographique
Résumé
Siphoning (or stealing) of in-transit operational data from industrial-control or critical-infrastructure systems is a highly concerning form of intrusion that can be done not only for the purposes of cyber espionage, but is often a key precursor for far more consequential cyber-physical attacks. Data encryption is viewed as one of the key defences against in-transit data siphoning, as it makes the stolen/exfiltrated data incomprehensible to the adversary. Though, this is obviously true only for as long as the key used to encrypt the exfiltrated data is not accessible to the adversary. In this paper we briefly discuss various strategies an ICS adversary can deploy to acquire encryption key(s) and thus ensure the ultimate success of their in-transit data siphoning attack. From the defender's perspective, we also discuss the importance of periodic encryption key rotation, as well as the importance of determining the most optimal cryptoperiod(s) - i.e., the actual time interval after which one encryption key should be replaced with another. While very short cryptoperiods may seem like the best choice from the security standpoint, practically this strategy may result in serious performance degradation, or in some cases may be completely infeasible. Unfortunately, the specifics on how to actually determine/calculate the optimal length of cryptoperiods in IT and ICS systems are not only absent from the relevant industry standards, but are also largely overlooked in more general research literature. As the main contributions of this paper, we present a detailed attack-tree model of data siphoning in ICSs, and we introduce our novel risk-based methodology for calculation of optimal cryptoperiods in real-world ICSs. According to our knowledge, this is the first research study attempting to address as well as solve the problem of optimal cryptoperiod calculation, not only in the context of ICSs but also wider IT systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».