Publicação: Análise do impacto de ataques adversários na detecção de intrusão em sistemas ciberfísicos
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Cattelan, Renan Gonçalves
Resumo
Sistemas ciberfísicos, do inglês Cyber-Physical Systems (CPSs), integram ecossistemas
tecnológicos complexos, conectando computação, redes e processos físicos por meio de dispositivos interligados. Garantir a segurança da informação nesses sistemas é essencial, e
algoritmos de aprendizado de máquina têm sido amplamente empregados para treinar Sistemas de Detecção de Intrusão (IDSs, do inglês Intrusion Detection Systems) baseados em
anomalias, com o objetivo de proteger esses ecossistemas. Este estudo avalia o impacto de
ataques adversários em algoritmos de aprendizado de máquina aplicados a IDSs baseados
em anomalias, utilizando dois conjuntos de dados: Power System Smart Grid Monitoring
Power e Ereno IEC-61850 Intrusion Dataset. A pesquisa aborda tanto a abordagem de
classificador individual, do inglês single classifier, quanto a de comitê de classificadores, do
inglês ensemble classifier, considerando dois tipos de ataques adversários: o Fast Gradient
Sign Method (FGSM) e o Jacobian-based Saliency Map Attack (JSMA). Foram realizadas
análises abrangentes, incluindo: comparação entre os ataques FGSM e JSMA, análise do
impacto entre as classes de algoritmos de aprendizado de máquina (individual x comitê),
efeitos da diminuição do tamanho do conjunto de treino roubado e impacto da inserção
de amostras adversárias no conjunto de treino. Os resultados indicam que o impacto dos
ataques adversários varia de acordo com o tipo de classificador e também com o conjunto
de dados usado. Além disso, os algoritmos do grupo ensemble classifier demonstraram,
de maneira geral, maior resistência aos ataques adversários. Observou-se também que a
diminuição do tamanho do conjunto de treino roubado influenciou mais intensamente o
impacto dos ataques FGSM em relação ao desempenho de linha de base dos classificadores. Em contrapartida, em determinados cenários, a inserção de amostras adversárias no
conjunto de treino resultou em melhorias no desempenho dos classificadores. Em síntese,
os resultados encontrados evidenciam que o ataque FGSM possui maior impacto negativo
no desempenho dos IDSs. Ademais, os algoritmos do tipo comitê de classificadores se
mostraram mais robustos contra ataques adversários quando comparados aos algoritmos
do tipo classificador individual, consolidando sua eficácia em IDSs para CPSs.
Abstract
Cyber-Physical Systems (CPSs) are complex technological ecosystems that integrate
computing, networking, and physical processes through interconnected devices. Ensuring information security in these systems is critical, and machine learning algorithms
are widely employed to train anomaly-based Intrusion Detection Systems (IDSs) for their
protection. This study evaluates the impact of adversarial attacks on machine learning
algorithms applied to anomaly-based IDSs using two datasets: Power System Smart Grid
Monitoring Power and Ereno IEC-61850 Intrusion Dataset. The research investigates
both single classifier and ensemble classifier approaches, focusing on two adversarial attacks: the Fast Gradient Sign Method (FGSM) and the Jacobian-based Saliency Map
Attack (JSMA). Comprehensive analyses were conducted, including comparisons between
FGSM and JSMA attacks, assessments of single classifier versus ensemble classifier performance, evaluations of the effect of reducing the stolen training set size, and the impact
of incorporating adversarial samples into the training set. The findings reveal that the
impact of adversarial attacks varies with the classifier type and dataset. Notably, ensemble classifiers generally exhibited greater resistance to adversarial attacks. A significant
degradation in baseline performance was observed for FGSM attacks as the stolen training set size decreased. Conversely, in some scenarios, incorporating adversarial samples
into the training set enhanced classifier performance. In summary, FGSM attacks were
found to have a more pronounced negative impact on IDS performance. Additionally,
ensemble classifiers demonstrated superior robustness to adversarial attacks compared to
single classifiers, highlighting their effectiveness in IDSs for CPSs.
Palavras-chave
Sistemas Ciber-Físicos (CPSs), Sistemas de Detecção de Intrusão (IDSs), Aprendizado de Máquina (AM), Classificador individual, Comitê de classificadores, Ataques Adversários, Single Classifier, Ensemble Classifier, Fast Gradient Sign Method (FGSM), Jacobian-based Saliency Map Attack (JSMA)
Citação
SILVA JUNIOR, Antonio Carlos Campos da. Análise do impacto de ataques adversários na detecção de intrusão em sistemas ciberfísicos. 2024. 93 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2024. DOI http://doi.org/10.14393/ufu.di.2025.5044.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto