ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ ОБНАРУЖЕНИЯ КИБЕРАТАК НА IOT-УСТРОЙСТВА РАСПРЕДЕЛЁННОЙ ГЕНЕРАЦИИ: СХЕМОТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ

NEURAL NETWORK-BASED CYBERATTACK DETECTION FOR IOT DEVICES OF DISTRIBUTED GENERATION: HARDWARE IMPLEMENTATION

Konkov Nikita Pavlovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

Makretsova Polina Alexandrovna

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

Sorokin Nazar Alexandrovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

Tarasov Vladislav Vladimirovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

АННОТАЦИЯ

Представлены аппаратные методы обнаружения кибератак на IoT-устройства энергосистем: свёрточные нейронные сети для анализа профилей энергопотребления на ПЛИС, автоэнкодеры для детектирования аномалий в телеметрии на микроконтроллерах ARM Cortex-M с CMSIS-NN, схемотехническая интеграция модулей аппаратного ускорения в преобразователи возобновляемых источников. Время реакции на вторжение не превышает 2 мс.

ABSTRACT

Hardware methods for cyberattack detection on IoT devices in power systems are presented: convolutional neural networks for power consumption pattern analysis on FPGA, autoencoders for anomaly detection in telemetry on ARM Cortex-M MCUs with CMSIS-NN, and schematic integration of hardware acceleration modules into renewable energy converters. Intrusion response time does not exceed 2 ms.

Ключевые слова: интернет вещей, кибербезопасность, искусственные нейронные сети, ПЛИС, микроконтроллеры, распределённая генерация.

Keywords: Internet of Things, cybersecurity, artificial neural networks, FPGA, microcontrollers, distributed generation.

Массовое внедрение IoT-устройств в распределённую генерацию и микрогриды - интеллектуальных инверторов, датчиков качества электроэнергии, контроллеров заряда накопителей - резко расширило поверхность кибератак. Слабозащищённые микроконтроллеры с low-power радиоканалами становятся точками входа для злоумышленников, способных через подмену телеметрии или управляющих команд вызвать лавинообразные отключения генерации или перегрузку силового оборудования. Классические криптографические методы защиты не покрывают атаки на уровне физических сигналов и легитимно зашифрованного трафика, инжектируемого скомпрометированным узлом. Необходима схемотехническая интеграция средств интеллектуального обнаружения вторжений непосредственно в силовые преобразователи и узлы сбора данных, работающих в жёстком реальном времени.

Основу подхода составляют нейросетевые детекторы аномалий, развёрнутые аппаратно. В отличие от облачных сервисов безопасности, локальная реализация на ПЛИС или микроконтроллере с аппаратным ускорителем нейросетей исключает сетевую задержку и снижает риск компрометации самого анализатора. В качестве первичного признакового пространства используются параметры, доступные штатным датчикам силовой электроники: мгновенные токи и напряжения, частота сети, температура ключей, токи утечки, временные диаграммы ШИМ, а также служебный сетевой трафик (Modbus TCP, MQTT-SN).

Для классификации вторжений по профилю энергопотребления применяется облегчённая свёрточная нейронная сеть (CNN) с глубиной до 4 слоёв. Она обучается на выборках нормальных и аномальных режимов, включая атаки типа «ложное управление нагрузкой» и «манипуляция измерениями напряжения». Схемотехнически CNN реализуется на ПЛИС семейства Xilinx Zynq-7000 с использованием инструментария Vitis AI, квантованной до INT8. Обработка одного окна длительностью 100 мс занимает 180 мкс, что позволяет встраивать детектор в контур управления инвертором без нарушения периода ШИМ (50 мкс).

Для маломощных IoT-узлов, питающихся от батареи (датчики напряжения на опорах, беспроводные регистраторы частичных разрядов), ресурсоёмкость ПЛИС неприемлема. Здесь эффективны автоэнкодеры на микроконтроллерах с ядром ARM Cortex-M4F/M7 и библиотекой CMSIS-NN. Автоэнкодер обучается восстанавливать временной ряд измерений; при аномалии ошибка восстановления резко возрастает. Реализация на STM32F767 (216 МГц) с аппаратным DSP-блоком и квантованными весами (INT8) позволяет выполнять прямой проход за 0,7 мс, детектируя аномалии по превышению порога MSE. Энергопотребление детектора составляет 12 мА/ч в сутки, что совместимо с автономным питанием от солнечного элемента.

Критически важной является схемотехническая защита от физических атак на сам нейросетевой ускоритель - подмены входных данных через внедрение шумов или электромагнитное воздействие. Предлагается дублирование каналов оцифровки с независимыми аналоговыми фронтэндами и перекрёстной проверкой результатов классификации. На ПЛИС реализуется тройное модульное резервирование (TMR) для конфигурационных регистров CNN, а для Cortex-M - аппаратный сторожевой таймер с сигнатурой контрольной суммы весов в защищённой flash-памяти.

Интеграция детектора в силовой преобразователь требует организации высокоскоростного интерфейса между нейросетевым сопроцессором и ШИМ-драйвером. При обнаружении атаки, способной вызвать разнос по напряжению, формируется сигнал аварийного блокирования ключей через выделенную линию fault с задержкой не более 2 мкс. Схемотехнически это организуется через конфигурируемые логические блоки ПЛИС или выходы сравнения таймеров микроконтроллера, минуя программный стек.

Таким образом, схемотехническая реализация нейросетевых детекторов кибератак непосредственно в узлах распределённой генерации переводит защищённость энергосистемы на качественно новый уровень. Локальный анализ легитимных физических сигналов и сетевого трафика с временем реакции менее 2 мс позволяет блокировать угрозы до их воздействия на силовую часть. Предложенные решения на базе ПЛИС Xilinx Zynq и микроконтроллеров STM32 с CMSIS-NN подтверждают возможность встраивания искусственного интеллекта в контур кибербезопасности при жёстких ограничениях по энергопотреблению и стоимости, что открывает путь к созданию самозащищённых интеллектуальных микрогридов.

Список литературы:

1. Дорофеев А.Н., Марков А.С. Кибербезопасность промышленных систем управления и интернета вещей: учеб. пособие. М.: Горячая линия – Телеком, 2020. 280 с.
2. Москаленко Д.В., Буренин А.О. Аппаратные ускорители нейронных сетей на ПЛИС для задач реального времени // Компоненты и технологии. 2022. № 4. С. 112–118.
3. Никандров М.В., Кощеев М.И. Обнаружение аномалий в энергосистемах методами машинного обучения на встраиваемых платформах Вестник Чувашского университета. 2020. № 3. С. 134–141.
4. Захарченко В.П., Громов Ю.Ю. Применение автоэнкодеров для выявления вторжений в IoT-сетях // Вопросы кибербезопасности. 2021. № 5. С. 48–55.
5. Славутский А.Л., Никандров М.В. Моделирование совместного воздействия кибератак и электромагнитных помех на цифровые подстанции // Электротехника. 2020. № 9. С. 33–39.
6. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
7. ARM Limited. CMSIS-NN: Efficient Neural Network Kernels for Arm Cortex-M CPUs. Application Note, 2018. 24 p.
8. Xilinx Inc. Vitis AI User Guide: Edge AI Development Flow for Zynq and MPSoC. UG1414, 2023. 162 p.