Data-Driven Resilience Assessment against Sparse Sensor Attacks

📄 arXiv: 2509.25064v1 📥 PDF

作者: Takumi Shinohara, Karl Henrik Johansson, Henrik Sandberg

分类: eess.SY

发布日期: 2025-09-29

💡 一句话要点

提出一种数据驱动的框架，用于评估线性时不变系统抵抗恶意虚假数据注入传感器攻击的弹性。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 数据驱动 弹性评估 传感器攻击 线性时不变系统 稀疏可观测性 虚假数据注入 安全控制

📋 核心要点

  1. 现有方法在评估系统抵抗传感器攻击的弹性时，通常依赖于精确的系统模型，这在实际应用中往往难以获得。
  2. 本文提出一种数据驱动的方法，利用系统运行数据来评估其抗攻击能力，无需精确的系统模型，降低了对系统先验知识的依赖。
  3. 通过数值实验验证了该框架的有效性，并分析了其在不同数据条件下的性能表现和局限性，为实际应用提供了参考。

📝 摘要（中文）

本文提出了一种数据驱动的框架，用于评估线性时不变系统抵抗恶意虚假数据注入传感器攻击的弹性。该框架基于稀疏可观测性的概念，提出了数据驱动的弹性指标。首先，我们推导出一个数据驱动的充要条件，用于评估系统抵抗传感器攻击的弹性，该条件使用在没有任何攻击的情况下收集的数据。如果我们获得满足特定秩条件的无攻击数据，即使在无模型设置下，我们也可以精确地评估攻击弹性水平。然后，我们将此分析扩展到仅有受污染数据可用的场景。给定受污染的数据，我们只能保守地评估系统的弹性。在这两种情况下，我们还提供了多项式时间算法来评估特定条件下的系统弹性。最后，数值例子说明了所提出框架的有效性和局限性。

🔬 方法详解

问题定义：论文旨在解决线性时不变系统在面临恶意虚假数据注入传感器攻击时，如何评估系统弹性的问题。现有方法通常依赖于精确的系统模型，但在实际应用中，系统模型往往难以获取或存在不确定性，导致评估结果不准确。此外，当只有受污染的数据可用时，如何保守且有效地评估系统弹性也是一个挑战。

核心思路：论文的核心思路是利用系统运行数据，基于稀疏可观测性的概念，构建数据驱动的弹性指标。通过分析无攻击或受污染的数据，推导出评估系统抗攻击能力的充要条件或保守估计。这种方法避免了对精确系统模型的依赖，提高了评估的实用性和鲁棒性。

技术框架：该框架包含以下主要阶段：1) 数据收集：收集系统在正常运行或受到攻击时的数据。2) 数据预处理：对收集到的数据进行清洗和处理，例如去除噪声和异常值。3) 弹性评估：基于数据驱动的弹性指标，评估系统抵抗传感器攻击的能力。该阶段根据是否有无攻击数据，分为两种情况：a) 有无攻击数据：利用满足特定秩条件的无攻击数据，精确评估系统的攻击弹性水平。b) 仅有受污染数据：保守地评估系统的弹性。4) 算法实现：设计多项式时间算法，用于在特定条件下评估系统弹性。

关键创新：论文的关键创新在于提出了数据驱动的弹性评估方法，该方法无需精确的系统模型，仅依赖于系统运行数据。此外，论文还针对无攻击数据和受污染数据两种情况，分别提出了评估系统弹性的方法，并提供了相应的算法。这种方法在模型未知或不确定的情况下，为系统弹性评估提供了一种新的途径。

关键设计：论文的关键设计包括：1) 数据驱动的弹性指标：基于稀疏可观测性，设计能够反映系统抗攻击能力的指标。2) 秩条件：推导出评估系统弹性所需的特定秩条件，用于判断数据是否满足评估要求。3) 多项式时间算法：设计高效的算法，用于在特定条件下评估系统弹性，保证评估的实时性。

📊 实验亮点

论文提出了数据驱动的弹性评估框架，在无攻击数据满足特定秩条件时，可以精确评估系统的攻击弹性水平，即使在无模型设置下也能实现。此外，针对仅有受污染数据的情况，提出了保守的弹性评估方法，并提供了多项式时间算法。数值实验验证了该框架的有效性，表明其在实际应用中具有潜力。

🎯 应用场景

该研究成果可应用于各种线性时不变系统，例如电力系统、水资源管理系统、交通运输系统和工业控制系统等。通过评估这些系统抵抗传感器攻击的弹性，可以提高系统的安全性和可靠性，减少因恶意攻击造成的损失。该研究为关键基础设施的安全防护提供了理论基础和技术支持。

📄 摘要（原文）

We present a data-driven framework for assessing the attack resilience of linear time-invariant systems against malicious false data injection sensor attacks. Based on the concept of sparse observability, data-driven resilience metrics are proposed. First, we derive a data-driven necessary and sufficient condition for assessing the system's resilience against sensor attacks, using data collected without any attacks. If we obtain attack-free data that satisfy a specific rank condition, we can exactly evaluate the attack resilience level even in a model-free setting. We then extend this analysis to a scenario where only poisoned data are available. Given the poisoned data, we can only conservatively assess the system's resilience. In both scenarios, we also provide polynomial-time algorithms to assess the system resilience under specific conditions. Finally, numerical examples illustrate the efficacy and limitations of the proposed framework.