Year: 2024
Type: dissertation
Abstract: Understanding the threat landscape of cyber-physical systems is crucial for developing effective defenses against emerging, highly sophisticated cyber threats. This understanding demands two essential components: the ability to predict the sophisticated behaviors of threat actors or the capacity to engage with them to understand their tactics and strategies. Currently, we face challenges in both areas -- lacking effective methods to model sophisticated cyberattackers or engage with them in meaningful ways. This research addresses these challenges by introducing frameworks that leverage physics-aware artificial intelligence to model sophisticated threat actors. Additionally, the research contributes to the development of frameworks that enable intelligent interactions with real cyberattackers. Succinctly, this research makes key contributions in three research directions. First, it contributes a novel framework that leverages reinforcement learning for modeling attackers. Second, it contributes another innovative framework that leverages safety-critical control to create resilient honeypots capable of intelligently engaging with sophisticated cyber attackers. Third, the research contributes several novel defense approaches, including the use of synthetic attack data for data-driven threat detection and risk assessment, the utilization of synthetic attacker models to validate and test defenses, and the application of safety-critical control for threat mitigation and safe reinforcement learning for dynamic defense. The benefits arising from these contributions are extensive. In research, these contributions provide methods for automating vulnerability discovery and unveiling strategic cyber threats capable of exploiting them. This proactive comprehension of cyber risks facilitates the active design of secure and resilient systems against emerging cyber threats. Additionally, the frameworks offer an approach to test and validate defenses against realistic strategic attacks. In practical application, the defensive contributions comprise data-driven methods capable of monitoring cyber-physical systems and offering early threat detection, threat classification, and risk assessment to assist in effective cyber incident response. Furthermore, the contributions related to honeypots present methods for security teams to deploy intelligent honeypots that can lure, deceive, and interact with attackers, providing security teams with a means to gather intelligence about the threat landscape. This, in turn, enables a better understanding of attackers' resources and capabilities, facilitating improved anticipation and mitigation of threats. Collectively, these benefits converge into an active defense stance, empowering organizations to proactively safeguard against cyber threats. The frameworks developed in this research present a broad, innovative, and advanced approach to understanding, modeling, and ultimately defending against the ever-evolving landscape of cyber threats targeting cyber-physical systems. فهم مشهد التهديدات لأنظمة التحكم السيبرانية-الفيزيائية أمر بالغ الأهمية لتطوير دفاعات فعّالة ضد التهديدات السيبرانية الناشئة والمعقدة. يتطلب هذا الفهم عنصرين أساسيين: القدرة على التنبؤ بسلوك الجهات المهاجمة المتطورة أو القدرة على التفاعل معهم لفهم تكتيكاتهم واستراتيجياتهم. نواجه حالياً تحديات في كلا الجانبين، حيث نفتقر إلى أساليب فعالة لنمذجة المهاجمين السيبرانيين المتقدمين أو التفاعل معهم بطرق ذات مغزى. تتناول هذه الدراسة تلك التحديات من خلال تقديم أطر عمل تعتمد على الذكاء الاصطناعي الملمّ بالفيزياء لنمذجة الجهات المهاجمة المتقدمة. بالإضافة إلى ذلك، تساهم هذه الدراسة في تطوير أطر تمكّن من التفاعل الذكي مع المهاجمين السيبرانيين الحقيقيين. بإيجاز، تقدم هذه الدراسة ثلاث مساهمات رئيسية في ثلاثة اتجاهات بحثية. أولاً، تساهم في إطار عمل جديد يعتمد على التعلم المعزز لنمذجة المهاجمين. ثانياً، تقدم إطارًا مبتكرًا آخر يعتمد على التحكم في الأنظمة الحرجة من أجل إنشاء "مصائد ذكية" قادرة على التفاعل بذكاء مع المهاجمين السيبرانيين المتقدمين. ثالثاً، تساهم الدراسة في تطوير عدة أساليب دفاعية جديدة، بما في ذلك استخدام بيانات هجمات صناعية لاكتشاف التهديدات وتقييم المخاطر، وتطبيق نماذج مهاجمين صناعية لاختبار الدفاعات والتحقق منها، واستخدام التحكم في الأنظمة الحرجة لتخفيف التهديدات وتطبيق التعلم المعزز الآمن للدفاع الديناميكي. تتمثل الفوائد الناتجة عن هذه المساهمات في نطاق واسع. في مجال البحث، تقدم هذه المساهمات طرقًا لاكتشاف الثغرات تلقائيا وكشف التهديدات الاستراتيجية القادرة على استغلالها. هذا الفهم الاستباقي للمخاطر السيبرانية يمكّن من التصميم الفعّال لأنظمة آمنة وقابلة للتكيف ضد التهديدات السيبرانية الناشئة. علاوة على ذلك، تقدم الأطر المطورة أسلوبًا لاختبار الدفاعات والتحقق منها ضد هجمات واقعية واستراتيجية. في التطبيق العملي، تتضمن المساهمات الدفاعية أساليب تعتمد على البيانات يمكنها مراقبة الأنظمة السيبرانية-الفيزيائية وتقديم كشف مبكر عن التهديدات، وتصنيفها، وتقييم المخاطر للمساعدة في الاستجابة الفعّالة للحوادث السيبرانية. علاوة على ذلك، تقدم المساهمات المتعلقة بالمصائد السيبرانية طرقًا للفرق الأمنية لنشر "مصائد ذكية" يمكنها استدراج المهاجمين وخداعهم والتفاعل معهم، مما يوفر للفرق الأمنية وسيلة لجمع معلومات عن مشهد التهديدات. وهذا بدوره يعزز فهمًا أعمق لقدرات المهاجمين ومواردهم، مما يساهم في تحسين التوقع والاستعداد للتهديدات. بشكل عام، تتجمع هذه الفوائد في نهج دفاعي استباقي، مما يمكّن المنظمات من حماية نفسها بفعالية ضد التهديدات السيبرانية. تقدم الأطر التي طورتها هذه الدراسة نهجًا واسعًا ومبتكرًا ومتقدمًا لفهم ونمذجة والدفاع في نهاية المطاف ضد التهديدات السيبرانية المتطورة التي تستهدف الأنظمة السيبرانية-الفيزيائية.
Source: TSpace (University of Toronto)
Author: Mohamed, Amr Mohamed Saber
Language: English
Subfield: Control and Systems Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7226042570