Thèse Année : 2025

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

Cybersecurity in railway infrastructures has become a major concern due to the growing digitalization and the integration of advanced monitoring systems, which make the railway sector increasingly vulnerable to cyber threats. Cyber-physical attacks, particularly those targeting turnout control systems, can compromise the integrity of data collected during switching operations and alter maintenance decisions, thereby endangering operational safety as well as the security of people and assets. However, existing detection methods often struggle to identify stealthy data falsification attacks designed to conceal functional anomalies or to trigger unnecessary maintenance actions. To address this issue, this thesis proposes a new 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 estimates produced by these three approaches are then fused using a weighted version of the Dempster-Shafer theory, which enhances detection performance while reducing the number of false positives. Experimental evaluations conducted on simulated attack scenarios demonstrate the effectiveness of the proposed framework, achieving the successful detection of seven out of eight attacks while minimizing false alarms. These results highlight the potential of the proposed approach to provide railway maintenance operators with more reliable information, support better-informed decision-making, and strengthen the safety and resilience of railway infrastructures against cyber threats.

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, qui rendent le secteur ferroviaire plus vulnérable aux cyber-menaces. 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. 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 cadre de détection et d'évaluation des menaces qui combine l'analyse du cycle de vie de l'appareil de voie (Turnout Lifecycle Analysis TLA), l'analyse du comportement attendu (Expected Behavior Analysis EBA) et l'analyse du comportement reconstruit (Reconstructed Behavior Analysis RBA). Les estimations de la menace provenant de ces approches sont intégrées à l'aide d'une théorie de Dempster-Shafer modifiée et pondérée, ce qui améliore les performances de détection tout en réduisant le nombre des faux positifs. Des évaluations expérimentales sur des scénarios d'attaques simulées démontrent l'efficacité du framework, identifiant avec succès sept attaques sur huit tout en minimisant les fausses alertes. Ces résultats mettent en évidence le potentiel de l'approche proposée pour fournir aux opérateurs de maintenance ferroviaires des informations plus fiables, soutenir une meilleure prise de décision et renforcer la sécurité et la résilience des infrastructures ferroviaires face aux cyber-menaces.

Fichier principal
Vignette du fichier
These_Sara_Abdellaoui_2025_VF.pdf (30.23 Mo) Télécharger le fichier

Dates et versions

tel-05464703 , version 1 (19-01-2026)
tel-05464703 , version 2 (19-03-2026)

Licence

Identifiants

  • HAL Id : tel-05464703 , version 1

Citer

Sara Abdellaoui. Détection d'attaques furtives et fiabilité des données dans les systèmes de surveillance ferroviaire. Automatique. INSA Lyon, 2025. Français. ⟨NNT : 2025ISAL0117⟩. ⟨tel-05464703v1⟩

Collections

1344 Consultations
90 Téléchargements

Partager

  • More