Detection of stealthy attacks and trustworthiness of data in railway monitoring systems
Détection d'attaques furtives et fiabilité des données dans les systèmes de surveillance ferroviaire
Résumé
The cybersecurity of railway infrastructures has become a major concern due to increasing digitalization and the integration of advanced monitoring systems, which make the railway sector more vulnerable to cyberthreats. Cyber-physical attacks, particularly those targeting turnouts, can compromise the integrity of switch operation data and distort maintenance decision-making, thereby jeopardizing the safety and security of people and assets. However, existing detection methods often struggle to address stealthy data falsification attacks designed to conceal functional anomalies or trigger unnecessary maintenance operations. To address this issue, this thesis proposes a novel framework for threat detection and assessment that combines three complementary approaches: Turnout Lifecycle Analysis (TLA), Expected Behavior Analysis (EBA), and Reconstructed Behavior Analysis (RBA). Threat estimations derived from these methods are combined using a weighted, modified Dempster-Shafer theory, thereby improving detection performance while reducing the number of false positives. Experimental evaluations on simulated attack scenarios demonstrate the effectiveness of the proposed framework, successfully identifying attacks while minimizing false alarms. The results highlight the potential of this framework to give railway maintenance operators more accurate insights, help improve decision-making, and help enhance the safety and resilience of railway operations against cyberthreats.
La cybersécurité des infrastructures ferroviaires est devenue une préoccupation majeure en raison de la digitalisation croissante et de l'intégration de systèmes de surveillance avancés, ce qui rend le secteur ferroviaire plus vulnérable aux cybermenaces. Les attaques cyber-physiques, en particulier celles qui visent les appareils de voie, peuvent compromettre l'intégrité des données des manœuvres d'aiguillage et altérer les décisions de maintenance, mettant ainsi en péril la sûreté et la sécurité des personnes et des biens. Toutefois, les méthodes de détection existantes ont souvent du mal à faire face aux attaques furtives de falsification des données destinées à masquer les anomalies de fonctionnement ou à déclencher des opérations de maintenance inutiles. Pour traiter ce problème, nous proposons dans cette thèse un nouveau framework de détection et d'évaluation des menaces qui combine l'analyse du cycle de vie de l'appareil de voie TLA (Turnout Lifecycle Analysis), l'analyse du comportement attendu EBA (Expected Behavior Analysis) et l'analyse du comportement reconstruit RBA (Reconstructed Behavior Analysis). Les estimations de la menace provenant de ces approches sont intégrées à l'aide de la théorie de Dempster-Shafer modifiée et pondérée, ce qui améliore les performances de détection tout en réduisant le nombre de faux positifs. Des évaluations expérimentales sur des scénarios d'attaques simulées démontrent l'efficacité du framework, identifiant avec succès des attaques tout en minimisant les fausses alertes. Ces résultats mettent en évidence la capacité de l'approche proposée à fournir aux opérateurs de maintenance ferroviaires des indications plus fiables, permettant une meilleure prise de décision et renforçant ainsi la sécurité et la résilience des infrastructures ferroviaires face aux cybermenaces.
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |
