Ocena skuteczności systemów ochrony cyberfizycznej z uwzględnieniem degradacji elektronicznych systemów zabezpieczeń

pol Artykuł w języku polskim DOI: 10.14313/PAR_257/29

Jan Kapusta , wyślij Waldemar Bauer , Jerzy Baranowski AGH Akademia Górniczo-Hutnicza, Katedra Automatyki i Robotyki

Pobierz Artykuł

Streszczenie

W artykule zaproponowano stochastyczny model degradacji Elektronicznych Systemów Bezpieczeństwa w ramach Cyberfizycznych Systemów Ochrony. Model ma na celu zilustrowanie, jak na efektywność CPPS wpływają trzy główne grupy czynników: procesy starzenia się komponentów, kumulacja wiedzy i umiejętności adwersarzy oraz postęp technologiczny narzędzi atakujących, a także losowe zdarzenia związane z pojawianiem się nowych podatności i okresowe działania konserwacyjne. Każdy z tych elementów opisany został za pomocą odpowiedniego rozkładu – normalnego, logarytmicznego lub Bernoulliego – stanowiąc uproszczony, lecz reprezentatywny zestaw procesów degradacyjnych i regeneracyjnych. System efektywności SEi w miesiącu i definiowany jest jako max(100 − Xi, 0), gdzie Xi to skumulowane spadki i podniesienia efektywności. Dzięki symulacjom Monte Carlo (na zbiorze hipotetycznych danych i uproszczonych założeniach) pokazano ogólny kształt krzywej degradacji: system utrzymuje wysoką sprawność w pierwszych latach, po czym następuje przyspieszone obniżenie efektywności, z okresowymi, niewielkimi odbiciami związanymi z konserwacją. Modelowy przykład ilustruje, że klasyczne podejście EASI, nieuwzgledniające degradacji, znacząco przecenia odporność CPPS w długim horyzoncie czasowym. W rezultacie proponujemy uwzględnianie wskaźnika SEi w ocenie ryzyka oraz adaptacyjne harmonogramy utrzymania, które lepiej odpowiadają rzeczywistym procesom zużycia i zmian zagrożeń. Model ten, choć oparty na hipotetycznych założeniach, stanowi punkt wyjścia do dalszej kalibracji na rzeczywistych danych oraz do opracowania dynamicznych polityk modernizacji i konserwacji.

Słowa kluczowe

Cyberfizyczne Systemy Ochrony, degradacja systemów, efektywność operacyjna, Elektroniczne Systemy Bezpieczeństwa, konserwacja adaptacyjna, model EASI, model stochastyczny, symulacja Monte Carlo

Evaluation of the Effectiveness of Cyber-Physical Protection Systems Considering the Degradation of Electronic Security Systems

Abstract

This paper introduces a stochastic degradation model for Electronic Security Systems (ESS) within Cyber-Physical Protection Systems (CPPS). The model demonstrates how CPPS effectiveness is influenced by three major groups of factors: component aging processes, accumulation of adversary knowledge and skills, and technological advancements in attack tools, along with random vulnerability events and periodic maintenance actions. Each factor is represented by an appropriate distribution such as normal, logarithmic, or Bernoulli, providing a simplified yet representative set of degradation and recovery processes. System effectiveness SEi in month i is defined as max(100 − Xi, 0), where Xi aggregates the cumulative declines and improvements. Monte Carlo simulations (using hypothetical data and assumptions) reveal a characteristic degradation curve: high initial performance followed by accelerated decline, punctuated by minor recoveries due to maintenance. A case study indicates that the traditional EASI approach, which neglects degradation, substantially overestimates CPPS resilience over long time horizons. Consequently, we advocate incorporating the SEi metric into risk assessments and adopting adaptive maintenance schedules better aligned with real-world wear and evolving threats. Although based on hypothetical parameters, this model provides a foundation for calibration with operational data and for developing dynamic modernization and upkeep policies.

Keywords

adaptive maintenance, Cyber-Physical Protection Systems, EASI extension, electronic security system, Monte Carlo simulation, operational resilience, stochastic degradation model, system effectiveness

Bibliografia

  1. Bennett H.A., EASI approach to physical security evaluation, United States, Tech. Rep. SAND–76-0500, 1977.
  2. Clem J., Atkins W.D., Urias V., Investigation of cyber-enabled physical attack scenarios, Sandia National Lab. (SNL-NM), Albuquerque, NM (United States), Tech. Rep., 2015.
  3. Porter S., Physical protection systems and the cyber security component, no. llnl-conf-674448, Lawrence Livermore National Lab.(LLNL), Livermore, CA (United States), Tech. Rep., 2015.
  4. Depoy J., Phelan J., Sholander P., Smith B., Varnado G., Wyss G., Risk assessment for physical and cyber attacks on critical infrastructures, [In:] MILCOM 2005 – 2005 IEEE Military Communications Conference, IEEE, 2005, DOI: 10.1109/MILCOM.2005.1605959.
  5. Snell M.K., Rivers J., The treatment of blended attacks in nuclear security effectiveness assessments, Sandia National Lab.(SNL-NM), Albuquerque, NM (United States), Tech. Rep., 2015.
  6. Guo Y., Yan A., Wang J., Cyber security risk analysis of physical protection systems of nuclear power plants and research on the cyber security test platform using digital twin technology, [In:] 2021 International Conference on Power System Technology (POWERCON), IEEE, 2021, DOI: 10.1109/POWERCON53785.2021.9697764.
  7. Bowen Z., Ming Y., Hidekazu Y., Hongxing L., Evaluation of physical protection systems using an integrated platform for analysis and design, “IEEE Transactions on Systems, Man, and Cybernetics: Systems”, Vol. 47, No. 11, 2017, 2945–2955, DOI: 10.1109/TSMC.2016.2531995.
  8. Andiwijayakusuma D., Setiadipura T., Purqon A., Su’ud Z., The development of EASi-based multi-path analysis code for nuclear security system with variability extension, “Nuclear Engineering and Technology”, Vol. 54, No. 10, 2022, 3604–3613, DOI: 10.1016/j.net.2022.05.023.
  9. Kapusta J., Bauer W., Baranowski J., Evaluation of the effectiveness of physical protection systems with consideration of its cyber-resilience, [In:] 2023 27th International Conference on Methods and Models in Automation and Robotics (MMAR), 2023, 457–461, DOI: 10.1109/MMAR58394.2023.10242420.
  10. Narale S.B., Verma A., Anand S., Structure and degradation of aluminum electrolytic capacitors, [In:] 2019 National Power Electronics Conference, NPEC 2019, DOI: 10.1109/NPEC47332.2019.9034726.
  11. Yu C., Jiang L., Yuan J., Study of performance degradations in DC–DC converter due to hot carrier stress by simulation, Microelectronics Reliability, Vol. 46, No. 9–11, 2006, 1840–1843, DOI: 10.1016/j.microrel.2006.07.079.
  12. Alam M.K., Khan F.H., Reliability analysis and performance degradation of a boost converter, [In:] 2013 IEEE Energy Conversion Congress and Exposition, ECCE 2013, 5592–5597, DOI: 10.1109/ECCE.2013.6647461.
  13. Huang H., Boyer A., Dhia S.B., Analysis and modeling of passive device degradation for a long-term electromagnetic emission study of a DC-DC converter, “Microelectronics Reliability”, Vol. 55, No. 9–10, 2015, 2061–2066, DOI: 10.1016/j.microrel.2015.06.058.
  14. Singh A., Anurag A., Anand S., Evaluation of Vce at inflection point for monitoring bond wire degradation in discrete packaged IGBTs, “IEEE Transactions on Power Electronics”, Vol. 32, No. 4, 2017, 2481–2484, DOI: 10.1109/TPEL.2016.2621757.
  15. Haque M.S., Moniruzzaman M., Choi S., Kwak S., Okilly A.H., Baek J., A fast loss model for cascode GaN-FETs and real-time degradation-sensitive control of solid-state transformers, “Sensors”, Vol. 23, No. 9, 2023, DOI: 10.3390/s23094395.
  16. Du D.-B., Zhang J.-X., Zhou Z.-J., Si X.-S., Hu C.-H., Estimating remaining useful life for degrading systems with large fluctuations, “Journal of Control Science and Engineering”, 2018, DOI: 10.1155/2018/9182783.
  17. Fang G., Pan R., Hong Y., Copula-based reliability analysis of degrading systems with dependent failures, “Reliability Engineering & System Safety”, Vol. 193, 2020, DOI: 10.1016/j.ress.2019.106618.
  18. Dong H., Ding Z., Zhang S., Deep reinforcement learning: Fundamentals, research and applications, Springer, 2020, DOI: 10.1007/978-981-15-4095-0.
  19. Hua C., Reinforcement Learning Aided Performance Optimization of Feedback Control Systems, Springer, 2021, DOI: 10.1007/978-3-658-33034-7.
  20. Peng Y., Zhao S., Wang H., A digital twin based estimation method for health indicators of DC–DC converters, “IEEE Transactions on Power Electronics”, Vol. 36, No. 2, 2021, 2105–2118, DOI: 10.1109/TPEL.2020.3009600.
  21. Chen S., Wang S., Wen P., Zhao S., Digital twin for degradation parameters identification of DC–DC converters based on Bayesian optimization, [In:] 2021 IEEE International Conference on Prognostics and Health Management, ICPHM 2021, 2021, DOI: 10.1109/ICPHM51084.2021.9486446.
  22. Han T., Li Y.-F., Out-of-distribution detection-assisted trustworthy machinery fault diagnosis approach with uncertainty-aware deep ensembles, “Reliability Engineering and System Safety”, Vol. 226, 2022, DOI: 10.1016/j.ress.2022.108648.
  23. Fan J., Lee J., Jung I., Lee Y., Online monitoring of power converter degradation using deep neural network, “Applied Sciences”, Vol. 11, No. 24, 2021, DOI: 10.3390/app112411796.
  24. Kareem A.B., Hur J.-W., Towards data-driven fault diagnostics framework for SMPS-AEC using supervised learning algorithms, “Electronics”, Vol. 11, No. 16, 2022, DOI: 10.3390/electronics11162492.
  25. Nelsen R.B., An Introduction to Copulas, Springer, 2006, DOI: 10.1007/0-387-28678-0.
  26. Fang G., Pan R., Hong Y., Copula-based reliability analysis of degrading systems with dependent failures, “Reliability Engineering & System Safety”, Vol. 193, 2020, DOI: 10.1016/j.ress.2019.106618.