Техніка та енергетика

Математичне моделювання акустичних каналів витоку в кіберфізичних системах

Ігор Послєд
Завантажити статтю
Анотація

Акустичні канали витоку є однією з найбільш недооцінених загроз для кіберфізичних систем, оскільки їх поява зумовлюється складними хвильовими процесами, які складно фіксувати традиційними засобами контролю. Метою дослідження було розробити й експериментально перевірити інтегровані підходи до моделювання, ідентифікації та нейтралізації акустичних витоків на основі поєднання хвильових моделей, активних компенсаторів і прогнозних систем. Методологія ґрунтувалася на 40 чисельних експериментах, виконаних за чотирма групами моделей із подальшими повторними прогонів для забезпечення статистичної надійності результатів. Виявлено суттєві відмінності між чотирма групами хвильових моделей: базові конфігурації (38-46 дБ, дисперсія 4-7%) були найпростішими, вібраційні сценарії формували 3-6 резонансів при дисперсії до 18%, а ультразвукові – виявилися найбільш критичними (18-38 кГц, 71-89 дБ, до 11 резонансів); акустико-оптичні моделі продемонстрували змішані часово-частотні профілі з дисперсією 16-24%. Серед активних методів нейтралізації найнижчу ефективність показав білий шум (11-14 дБ), тоді як вузькосмугове маскування забезпечило 19-23 дБ, а Adaptive Noise Cancelling (ANC) досягло найкращих показників (34-39 дБ, стабільність 96-97 %, Detection Time 0,4-0,7 с). Серед прогнозних моделей найкращі результати показала Long Short-Term Memory (латентність 0,42-0,55 с, стійкість 93-96%, помилка реконструкції 6-8 %), тоді як автоенкодери були найменш точними (10-14%). Інтегральний індекс безпеки відобразив чітку стратифікацію ризиків: базові моделі – 0,62; вібраційні – 0,71; акустико-оптичні – 0,79; ультразвукові – 0,84. Статистичний аналіз підтвердив значущість відмінностей між усіма групами (p < 0.01) і формування двох кластерів небезпеки. Практичне значення дослідження полягає у створенні інтегрованої методики виявлення й приглушення акустичних витоків, яку можна безпосередньо застосовувати під час проєктування систем безпеки кіберфізичних комплексів для зниження ризику прихованих атак і підвищення стійкості до багаточастотних впливів

Ключові слова

білий шум, вузькосмугове маскування, протифазна компенсація, часово-частотні спектрограми, автоенкодери

ЦИТУВАТИ
Poslied, I. (2025). Mathematical modelling of acoustic leakage channels in cyber-physical systems. Machinery & Energetics, 16(4), 64-75. https://doi.org/10.31548/machinery/4.2025.64
Використані джерела
  1. Abbas, S., Ojo, S., Bouazzi, I., Sampedro, G.A., Al Hejaili, A., Almadhor, A.S., & Kulhánek, R. (2024). Securing data from side-channel attacks: A graph neural network-based approach for smartphone-based side channel attack detection. IEEE Access, 12, 138904-138920. doi: 10.1109/ACCESS.2024.3465662.
  2. Ahsan, M., Rais, M.H., & Ahmed, I. (2023). Sok: Side channel monitoring for additive manufacturing-bridging cybersecurity and quality assurance communities. In Proceedings of the 8th European symposium on security and privacy (pp. 1160-1178). Delft: IEEE. doi: 10.1109/EuroSP57164.2023.00071.
  3. Alahmadi, A.N., Rehman, S.U., Alhazmi, H.S., Glynn, D.G., Shoaib, H., & Solé, P. (2022). Cyber-security threats and side-channel attacks for digital agriculture. Sensors, 22(9), article number 3520. doi: 10.3390/s22093520.
  4. Bai, Y., Park, J., Tehranipoor, M., & Forte, D. (2022). Real-time instruction-level verification of remote IoT/CPS devices via side channels. Discover Internet of Things, 2(1), article number 1. doi: 10.1007/s43926-022-00021-2.
  5. Chhetri, S.R., & Al Faruque, M.A. (2020). Data-driven modeling of cyber-physical systems using side-channel analysis. Cham: Springer. doi: 10.1007/978-3-030-37962-9.
  6. Comert, C., Gul, O.M., Kulhandjian, M., Touazi, A., Ellement, C., Kantarci, B., & D’Amours, C. (2022). Secure design of cyber-physical systems at the radio frequency level: Machine and deep learning-driven approaches, challenges and opportunities. In I. Traore, I. Woungang & S. Saad (Eds.), Artificial intelligence for cyber-physical systems hardening (pp. 123-154). Cham: Springer. doi: 10.1007/978-3-031-16237-4_6.
  7. Dzyanyi, N. (2025). Protective layered model of a multi-component architectural-composite structure of an optoelectronic information leakage channel. Social Development and Security, 15(4), 155-166. doi: 10.33445/sds.2025.15.4.15.
  8. Gao, S., Zhang, H., Wang, Z., Huang, C., & Yan, H. (2023). Data-driven injection attack strategy for linear cyber-physical systems: An input-output data-based approach. IEEE Transactions on Network Science and Engineering, 10(6), 4082-4095. doi: 10.1109/TNSE.2023.3292403.
  9. Guo, L., Zhang, J., Ye, J., Coshatt, S.J., & Song, W. (2021). Data-driven cyber-attack detection for PV farms via time-frequency domain features. IEEE Transactions on Smart Grid, 13(2), 1582-1597. doi: 10.1109/TSG.2021.3136559.
  10. Hao, Q., Wang, F., Zhang, P., Ma, X., Zhang, J., & Zhao, W. (2025). Research and application of speech transmission index in acoustic leakage detection. In Proceedings of the 17th international congress on image and signal processing, biomedical engineering and informatics (pp. 1-5). Shanghai: IEEE. doi: 10.1109/CISP-BMEI64163.2024.10906282.
  11. ISO/IEC No. 30147:2021 (2021). Methodology for trustworthiness of IoT system/service. Retrieved from https://www.iso.org/ru/standard/53267.html.
  12. ISO/IEC No. 30149:2024 (2024). Trustworthiness framework. https://www.iso.org/standard/53269.html.
  13. Kacmarcik, A., & Prvulovic, M. (2024). Securing CPS through simultaneous analog side-channel monitoring of cyber and physical domains. IEEE Access, 12, 126717-126728. doi: 10.1109/ACCESS.2024.3456050.
  14. Kim, S., & Park, K.J. (2021). A survey on machine-learning based security design for cyber-physical systems. Applied Sciences, 11(12), article number 5458. doi: 10.3390/app11125458.
  15. Korniienko, V., Kruchinin, O., Pliets, O., Herasina, O., & Tymofieiev, D. (2022). Cyberphysical modeling system for protection of acoustic information from leakage by optoelectronic channel. Information Technology: Computer Science, Software Engineering and Cyber Security, 2, 19-25. doi: 10.32782/IT/2021-2-3.
  16. Lu, A.Y., & Yang, G.H. (2022). Detection and identification of sparse sensor attacks in cyber-physical systems with side information. IEEE Transactions on Automatic Control, 68(9), 5349-5364. doi: 10.1109/TAC.2022.3218545.
  17. Lucia, W., & Youssef, A. (2021). Covert channels in stochastic cyber‐physical systems. IET Cyber‐Physical Systems: Theory & Applications, 6(4), 228-237. doi: 10.1049/cps2.12020.
  18. Niu, C., & Wang, L. (2021). Big data-driven scheduling optimization algorithm for Cyber-Physical Systems based on a cloud platform. Computer Communications, 181, 173-181. doi: 10.1016/j.comcom.2021.10.020.
  19. Oleynikov, A., Lykov, Y., & Pavlenko, Y. (2025). Features of detecting acousto-electromagnetic information leakage channels. Radiotekhnika, 220, 120-127. doi: 10.30837/rt.2025.1.220.11.
  20. Pan, Q., Wu, J., Bashir, A.K., Li, J., & Wu, J. (2022). Side-channel fuzzy analysis-based AI model extraction attack with information-theoretic perspective in intelligent IoT. IEEE Transactions on Fuzzy Systems, 30(11), 4642-4656. doi: 10.1109/TFUZZ.2022.3172991.
  21. Park, S., Seo, A., Cheong, M., Kim, H., Kim, J., & Son, Y. (2025). Evaluating the vulnerability of hiding techniques in cyber-physical systems against deep learning-based side-channel attacks. Applied Sciences, 15, article number 6981. doi: 10.20944/preprints202505.1150.v1.
  22. Picek, S., Perin, G., Mariot, L., Wu, L., & Batina, L. (2023). Sok: Deep learning-based physical side-channel analysis. ACM Computing Surveys, 55(11), article number 227. doi: 10.1145/3569577.
  23. Pinto, R., Gonçalves, G., Delsing, J., & Tovar, E. (2022). Enabling data-driven anomaly detection by design in cyber-physical production systems. Cybersecurity, 5(1), article number 9. doi: 10.1186/s42400-022-00114-z.
  24. Prasat, K., Sanjay, S., Ananya, V., Kannadasan, R., Rajkumar, S., Raut, R., & Selvanambi, R. (2022). Analysis of cross-domain security and privacy aspects of cyber-physical systems. International Journal of Wireless Information Networks, 29(4), 454-479. doi: 10.1007/s10776-022-00559-6.
  25. Raeker-Jordan, N., Chung, J., Kong, Z.J., & Williams, C. (2024). Ensuring additive manufacturing quality and cyber-physical security via side-channel measurements and transmissions. Journal of Manufacturing Systems, 73, 275-286. doi: 10.1016/j.jmsy.2024.02.005.
  26. Shi, Z., Mamun, A.A., Kan, C., Tian, W., & Liu, C. (2023). An LSTM-autoencoder based online side channel monitoring approach for cyber-physical attack detection in additive manufacturing. Journal of Intelligent Manufacturing, 34(4), 1815-1831. doi: 10.1007/s10845-021-01879-9.
  27. Spence, A., & Bangay, S. (2022). Security beyond cybersecurity: Side-channel attacks against non-cyber systems and their countermeasures. International Journal of Information Security, 21(3), 437-453. doi: 10.1007/s10207-021-00563-6.
  28. Taheri, M., Khorasani, K., Shames, I., & Meskin, N. (2023). Cyberattack and machine-induced fault detection and isolation methodologies for cyber-physical systems. IEEE Transactions on Control Systems Technology, 32(2), 502-517. doi: 10.1109/TCST.2023.3324870.
  29. Wang, J., Sung, C., Raghothaman, M., & Wang, C. (2021). Data-driven synthesis of provably sound side channel analyses. In Proceedings of the 43rd international conference on software engineering (pp. 810-822). Madrid: IEEE. doi: 10.1109/ICSE43902.2021.00079.
  30. Wong, B., & McCann, J.A. (2021). Failure detection methods for pipeline networks: From acoustic sensing to cyber-physical systems. Sensors, 21(15), article number 4959. doi: 10.3390/s21154959.
  31. Wu, S., Jiang, Y., Luo, H., Zhang, J., Yin, S., & Kaynak, O. (2022). An integrated data-driven scheme for the defense of typical cyber-physical attacks. Reliability Engineering & System Safety, 220, article number 108257. doi: 10.1016/j.ress.2021.108257.
  32. Zhao, Z., Xu, Y., Li, Y., Zhen, Z., Yang, Y., & Shi, Y. (2022). Data-driven attack detection and identification for cyber-physical systems under sparse sensor attacks. IEEE Transactions on Automatic Control, 68(10), 6330-6337. doi: 10.1109/TAC.2022.3230360.