Attacchi Backdoor Minacciano il Rilevamento dei Guasti nei Sistemi Cyber-Fisici
Un nuovo preprint arXiv (2605.27674) rivela che i framework di rilevamento e localizzazione dei guasti basati su machine learning nei Sistemi Cyber-Fisici (CPS) sono vulnerabili ad attacchi backdoor. I CPS integrano sensori, comunicazione, calcolo e controllo per infrastrutture critiche come reti intelligenti e automazione industriale. Nelle utility elettriche, i controller si affidano a modelli ML/DL per rilevare guasti (ad esempio, fluttuazioni di tensione) e bilanciare il carico. Tuttavia, gli avversari possono iniettare pattern malevoli nei dati di addestramento, causando un comportamento normale dei modelli fino all'attivazione da parte di pattern specifici, per poi produrre risultati controllati dall'attaccante. L'articolo evidenzia questa lacuna di sicurezza senza proporre una difesa.
Fatti principali
- Il preprint arXiv 2605.27674 affronta gli attacchi backdoor sul rilevamento dei guasti nei CPS.
- I CPS integrano sensori, comunicazione, calcolo e controllo.
- Le infrastrutture critiche includono reti intelligenti e automazione industriale.
- I controller nelle utility elettriche rilevano guasti come fluttuazioni di tensione.
- I framework ML/DL sono utilizzati per il rilevamento di anomalie in tempo reale.
- Gli attacchi backdoor iniettano pattern malevoli nei dati di addestramento.
- I modelli attaccati si comportano normalmente fino all'attivazione da parte di pattern specifici.
- Nell'articolo non viene proposta alcuna difesa.
Entità
Istituzioni
- arXiv