CAUSAL-LAG NEURAL EVIDENCE FUSION FOR TEMPORAL TELEMETRY ATTACKS

Дмитро Прокопович-Ткаченко

doi:10.28925/2663-4023.2026.35.1351

Автор(и)

Дмитро Прокопович-Ткаченко Університет митної справи та фінансів https://orcid.org/0000-0002-6590-3898

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1351

Ключові слова:

дрейф годинника; атака повторення; маніпуляції з низьким рівнем повільності; потокова те-леметрія; графік причинно-наслідкового запізнення; графова увага; GRU-D; доказове глибо-ке навчання; TCP; QUIC; SDN; периферійні обчислення; синтетична оцінка; польове випро-бування.

Анотація

Потокова телеметрія може залишатися криптографічно достовірною, навіть якщо її часове значення спотворюється через дрейф годинника, повторення, вибіркову затримку або низько-повільні міжрівневі маніпуляції. У цій статті пропонується об'єднання нейронних доказів з причинно-затримкою (CL-NEF) – спеціалізований метод виявлення, який розглядає час події та причинний порядок як першокласні докази безпеки. Метод спільно обробляє часові позначки джерела та отримання, ідентифікатори послідовності та епохи, невизначеність синхронізації, свіжість, версію політики та предикати контексту з рівнів доступу, TCP/QUIC, SDN та прикладних рівнів. Надійний афінний оцінювач годинника та онлайн-механізм точок зміни створюють залишки з обмеженою невизначеністю; граф допустимого затримки потім обмежує часову модель граф-уваги за допомогою кодерів GRU-D для кожного шару. Вихідна головка доказів розділяє поступовий або ступінчастий дрейф годинника, повторення, затримані/перевпорядковані спостереження, повільні міжрівневі маніпуляції та легітимні зміни режиму роботи, зберігаючи при цьому явний епістемічний сигнал невизначеності. Докази приймаються, позначаються як підозрілі, переміщуються в карантин або відхиляються за допомогою гістерезисного автомата з часом життя, обмеженою областю дії та можливістю перевірки відкату. Протокол оцінки V2-V3 використовує реальний стек обміну повідомленнями, компоненти SDN/NFV, граничні вузли, профілі TCP/QUIC, контрольовані помилки синхронізації, втрати спостережень та компрометацію шлюзу. Базові показники ресурсо-справедливості включають перевірку підпису, статичне вікно свіжості, одновимірний детектор змін та некаузальний багатовимірний нейронний детектор. F1, коефіцієнт хибнопозитивних результатів під час легітимних змін режиму, затримка виявлення, помилка калібрування, стійкість відсутніх спостережень та переносимість порогів повідомляються на чітко позначених синтетичних даних, отриманих генератором із засіяним вмістом (20 засіяних елементів на комірку), який кодує очікування автора щодо дизайну; польові вимірювання не заявляються, і пропонується поетапне польове випробування з попередньо зареєстрованими гейтами «го/него» для заміни кожного синтетичного значення. Дизайн операціоналізує чітку межу між допустимими телеметричними доказами та карантином, не прирівнюючи дійсний підпис до часово достовірного твердження про стан.

Завантаження

Дані завантаження ще не доступні.

Посилання

Kohno, T., Broido, A., & Claffy, K. C. (2005). Remote physical device fingerprinting. IEEE Transactions on Dependable and Secure Computing, 2(2), 93-108. https://doi.org/10.1109/TDSC.2005.26

Jana, S., & Kasera, S. K. (2010). On fast and accurate detection of unauthorized wireless access points using clock skews. IEEE Transactions on Mobile Computing, 9(3), 449-462. https://doi.org/10.1109/TMC.2009.145

Sun, K., Ning, P., & Wang, C. (2006). Secure and resilient clock synchronization in wireless sensor networks. IEEE Journal on Selected Areas in Communications, 24(2), 395-408. https://doi.org/10.1109/JSAC.2005.861396

Moussa, B., Kassouf, M., Hadjidj, R., Debbabi, M., & Assi, C. (2020). An extension to the Precision Time Protocol (PTP) to enable the detection of cyber attacks. IEEE Transactions on Industrial Informatics, 16(1), 18-27. https://doi.org/10.1109/TII.2019.2943913

Alghamdi, W., & Schukat, M. (2020). Cyber attacks on Precision Time Protocol networks-A case study. Electronics, 9(9), 1398. https://doi.org/10.3390/electronics9091398

Du, Z., Zhang, S., Yao, Z., Zhou, Z., & Tariq, M. (2024). Attack-detection and multi-clock source cooperation-based accurate time synchronization for PLC-AIoT in smart parks. Digital Communications and Networks, 10(6), 1732-1740. https://doi.org/10.1016/j.dcan.2023.10.005

Zhao, D., Yang, B., Li, Y., & Zhang, H. (2025). Replay attack detection for cyber-physical control systems: A dynamical delay estimation method. IEEE Transactions on Industrial Electronics, 72(1), 867-875. https://doi.org/10.1109/TIE.2024.3406859

Liu, S., Yamada, M., Collier, N., & Sugiyama, M. (2013). Change-point detection in time-series data by relative density-ratio estimation. Neural Networks, 43, 72-83. https://doi.org/10.1016/j.neunet.2013.01.012

Su, Y., Zhao, Y., Niu, C., Liu, R., Sun, W., & Pei, D. (2019). Robust anomaly detection for multivariate time series through stochastic recurrent neural network. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2828-2837). ACM. https://doi.org/10.1145/3292500.3330672

Zhang, C., Song, D., Chen, Y., Feng, X., Lumezanu, C., Cheng, W., Ni, J., Zong, B., Chen, H., & Chawla, N. V. (2019). A deep neural network for unsupervised anomaly detection and diagnosis in multivariate time series data. Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 1409-1416. https://doi.org/10.1609/aaai.v33i01.33011409

Zhao, H., Wang, Y., Duan, J., Huang, C., Cao, D., Tong, Y., Xu, B., Bai, J., Tong, J., & Zhang, Q. (2020). Multivariate time-series anomaly detection via graph attention network. In 2020 IEEE International Conference on Data Mining (ICDM) (pp. 841-850). IEEE. https://doi.org/10.1109/ICDM50108.2020.00093

Deng, A., & Hooi, B. (2021). Graph neural network-based anomaly detection in multivariate time series. Proceedings of the AAAI Conference on Artificial Intelligence, 35(5), 4027-4035. https://doi.org/10.1609/aaai.v35i5.16523

Tuli, S., Casale, G., & Jennings, N. R. (2022). TranAD: Deep transformer networks for anomaly detection in multivariate time series data. Proceedings of the VLDB Endowment, 15(6), 1201-1214. https://doi.org/10.14778/3514061.3514067

Che, Z., Purushotham, S., Cho, K., Sontag, D., & Liu, Y. (2018). Recurrent neural networks for multivariate time series with missing values. Scientific Reports, 8, 6085. https://doi.org/10.1038/s41598-018-24271-9

Runge, J., Nowack, P., Kretschmer, M., Flaxman, S., & Sejdinovic, D. (2019). Detecting and quantifying causal associations in large nonlinear time series datasets. Science Advances, 5(11), eaau4996. https://doi.org/10.1126/sciadv.aau4996