Detection of Replay Attack in Control Systems \nUsing Multi-Sine Watermarking
Notice bibliographique
Résumé
Cyber-physical systems (CPSs) consist of networks of sensors, computers and actuators. This \nresearch studies a control system within a CPS in which the plant and controller are separated \ngeographically but connected through communication links. The links could be subject to security \nattacks. Recently, the research focus on attack detection has been growing rapidly. This thesis \naims to develop methods based on the dynamic models of CPS for detecting attacks. \nThis research focuses on detection of ”replay attacks”. First, it proposes a watermarking \nscheme based on injecting a sequence of multi-sine waves. The watermarking is designed in such \na way that the transient response to watermarking is suppressed. A design process is proposed to \nreach a compromise between (i) the ease of detection of watermarking effects in the output and (ii) \nthe limiting of output fluctuations due to watermarking (and loss of control quality). One of the \nbenefits of this method is that it only requires frequency response of the closed loop system at a set \nof frequencies; a model of system is not required. \nPower spectral density estimates based on periodograms of the plant output (received by the \ncontroller) are used to trace watermarking. Furthermore, replay attack detection by tracing watermarking \neffects in the residual of Kalman filters is also explored. \nA case study involving a laboratory water tank is used to explore the proposed method. The \nresults of linear and non-linear model simulations are presented and is shown that replay attacks \ncan be detected successfully.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».