Adapting Noise-Driven PUF and AI for Secure WBG ICS: A Proof-of-Concept Study
Devon A. Kelly, Christiana Chamon
宽带隙(WBG)技术在电力系统效率,尺寸和性能方面提供了前所未有的改进,但也在工业控制系统(ICS)中引入了独特的传感器损坏和网络安全风险,特别是由于高频噪声和复杂的网络物理威胁。 这项概念验证(PoC)研究展示了将噪声驱动的物理不可克隆功能(PUF)和机器学习(ML)辅助异常检测框架适应基于WBG的ICS传感器通路的苛刻环境。 通过从不可避免的WBG开关噪声(高达100 kHz)中提取熵作为PUF源,并同时使用这种噪声作为实时威胁指示器,拟议的系统将硬件级身份验证和异常检测结合在一起。 我们的方法将混合机器学习(ML)模型与自适应贝叶斯过滤相结合,提供强大且低延迟的检测功能,可抵御自然电磁干扰(EMI)和主动对抗性操作。 通过在良性和攻击场景下对WBG模块进行详细模拟 - 包括EMI注入,信号篡改和节点冒充 - 我们实现了95%的检测精度和亚毫秒处理延迟。 这些结果证明了物理驱动的两用噪声利用作为可扩展的ICS防御原性的可行性。 我们的研究结果为下一代安全策略奠定了基础,这些策略利用固有的设备特性,将硬件和人工智能(AI)连接起来,以加强对关键ICS基础设施的保护。
Wide-bandgap (WBG) technologies offer unprecedented improvements in power system efficiency, size, and performance, but also introduce unique sensor corruption and cybersecurity risks in industrial control systems (ICS), particularly due to high-frequency noise and sophisticated cyber-physical threats. This proof-of-concept (PoC) study demonstrates the adaptation of a noise-driven physically unclonable function (PUF) and machine learning (ML)-assisted anomaly detection framework to the demanding...