Détection d’Attaques par Injection de fausses données ADS-B dans la surveillance du trafic aérien civil et militaire – DApIA

Le projet DApIA vise le développement de capacités de détection des attaques de type FDIA – False Data Injection Attacks – par composants de Machine Learning sur les données de surveillance aérienne issues du protocole ADS-B. L’objectif des attaques FDIA est la corruption de la sémantique des données de surveillance tout en conservant une syntaxe correcte et la cohérence logique des messages. Le but recherché par l’attaquant est la corruption de l’état général du système sous contrôle via une falsification (suppression, modification ou ajout) subtile et intelligente de la logique des données. De nombreux systèmes de contrôle d’infrastructures critiques sont exposés aux attaques FDIA, mais ce besoin est renforcé dans le contexte de la surveillance aérienne, tant civile que militaire, par l’utilisation croissante du protocole ADS-B. Ce protocole de messagerie des aéronefs est non crypté et les attaques FDIA sont réalisables avec des moyens accessibles, en particulier dans le cadre de menaces étatiques. Les conséquences de ce type d’attaque peuvent être des perturbations de la surveillance aérienne pouvant aller jusqu’au blocage du trafic

DApIA est un projet de maturation qui s’appuie sur les résultats du projet ASTRID GeLeaD - Generate, Learn and Detect – finalisé en février 2022. GeLeaD a développé une chaîne outillée à TRL 4 qui combine l’acquisition des données de surveillance aérienne ADS-B, la génération d’altérations sur ces données pour simuler des attaques, et des modèles de détection d’anomalies. Ces modèles de détection utilisent des algorithmes d’apprentissage profond supervisés et non supervisés, qui ont été adaptés pour obtenir des résultats de détection performants sur les expérimentations réalisées. À partir de ces résultats, le projet DApIA vise la maturation à TRL 6 et l’extension sur trois plans principaux des résultats obtenus : (1) la prise en compte de toute trace ADS-B, pour tout objet volant, et en particulier la prise en compte du trafic de basse altitude tel que les drones et les hélicoptères; (2) le renforcement de la performance et de la couverture des scénarios d’attaques des modèles ML (Machine Learning) de détection tant au niveau supervisé que non supervisé et leur mise en œuvre en temps réels pour permettre leur intégration dans des environnements de contrôle aérien; (3) la modularisation de la chaîne de détection, pour en faciliter l’adaptation dans les différents contextes d’usage civil et militaire et l’évolutivité en fonctions des évolutions de la menace.

En résultat, le projet ASTRID Maturation DApIA fournira des capacités de détection d’attaques par injection de fausses données adaptées aux contextes du trafic basse altitude et du trafic aérien haute altitude. Il fournira un ensemble de composants allant de l’acquisition de la donnée à partir de sources réelles ou simulées, de préparation pour l’apprentissage supervisé et non supervisé, et la détection sur un large champ d’altérations des données de surveillance.