Ability to Detect the Linear Attack in Industrial Control Systems by CUSUM Method
Main Article Content
Abstract
This paper presents the ability to apply the Cumulative Sum (CUSUM) method to detect linear attacks, in case the Kullback–Leibler (K-L) method cannot detect. In order to do this, we investigated to find linear attack matrices, for which the K-L method was surpassed in the range of detection threshold from 0 to 176.76 and applying for heat mixing process, which is used in food plants. Then, the found linear attack matrices were used to find the detection threshold of the CUSUM method. By analyzing the tested results, which is implemented on simulation data, we have determined a suitable range of threshold for CUSUM method to detect linear attacks, when the K-L method is failed to detect.
Keywords
Linear attack, CUSUM method, Kullback–Leibler divergence method
Article Details
References
[1] M. Lehto and P. Neittaanmäki, Cyber Security: Analytics, Technology and Automation. Springer, 2015.
[2] A. Hijazi, A. E. Safladi, and J.-M. Flaus, A Deep Learning Approach for Intrusion Detection System in Industry Network, in BDCSIntell, Beirut, Lebanon, 2018, pp. 55-62.
[3] Z. Guo, D. Shi, K. H. Johansson, and L. Shi, Optimal Linear Cyber-Attack on Remote State Estimation, IEEE Trans. Control Netw. Syst., vol. 4, no. 1, (2017) pp. 4–13.
[4] Z. Guo, D. Shi, K. H. Johansson, and L. Shi, Consequence Analysis of Innovation-based Integrity Attacks with Side Information on Remote State Estimation., IFAC-Pap., vol. 50, no. 1, (2017) pp. 8399–8404.
[5] Truong N.D and Tu L.M, A new method against attacks on networked industrial control systems, Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin, Cần Thơ, Việt Nam, 2016, pp. 9-16.
[6] M. Basseville and I. V. Nikiforov, Detection of Abrupt Changes: Theory and Application. Englewood Cliffs, N.J: Prentice Hall, 1993.
[7] Duong N.D and Ha V.T, Nghiên cứu phương pháp điều khiển tích cự loại bỏ nhiễn độ nâng cao chất lượng quá trình trao đổi nhiệt trong bình trộn nhiệt, Tạp chí Khoa Học Công Nghệ Đại Học Công Nghiệp Hà Nội, vol. 41, (2017) pp. 32–37.
[2] A. Hijazi, A. E. Safladi, and J.-M. Flaus, A Deep Learning Approach for Intrusion Detection System in Industry Network, in BDCSIntell, Beirut, Lebanon, 2018, pp. 55-62.
[3] Z. Guo, D. Shi, K. H. Johansson, and L. Shi, Optimal Linear Cyber-Attack on Remote State Estimation, IEEE Trans. Control Netw. Syst., vol. 4, no. 1, (2017) pp. 4–13.
[4] Z. Guo, D. Shi, K. H. Johansson, and L. Shi, Consequence Analysis of Innovation-based Integrity Attacks with Side Information on Remote State Estimation., IFAC-Pap., vol. 50, no. 1, (2017) pp. 8399–8404.
[5] Truong N.D and Tu L.M, A new method against attacks on networked industrial control systems, Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin, Cần Thơ, Việt Nam, 2016, pp. 9-16.
[6] M. Basseville and I. V. Nikiforov, Detection of Abrupt Changes: Theory and Application. Englewood Cliffs, N.J: Prentice Hall, 1993.
[7] Duong N.D and Ha V.T, Nghiên cứu phương pháp điều khiển tích cự loại bỏ nhiễn độ nâng cao chất lượng quá trình trao đổi nhiệt trong bình trộn nhiệt, Tạp chí Khoa Học Công Nghệ Đại Học Công Nghiệp Hà Nội, vol. 41, (2017) pp. 32–37.