Phantom State Attack: como driblar a detecção de intrusão em IIoT manipulando apenas o tempo dos pacotes
Pesquisadores propõem o Phantom State Attack (PSA), uma técnica de evasão contra sistemas de detecção de intrusão (IDS) baseados em machine learning para ambientes industriais (IIoT) que não modifica pacotes, não consulta o classificador e não precisa aprender um modelo do tráfego legítimo — ela apenas desloca minimamente o tempo de chegada dos pacotes para atravessar fronteiras de janelas de agregação. O ataque degrada a detecção em fluxos com volume suficiente de pacotes, mas seu efeito é condicional, deixando outros fluxos quase intactos.
A maior parte da pesquisa sobre ataques adversários contra IDS de machine learning assume que o atacante consegue perturbar diretamente o vetor de características do tráfego, tem acesso a gradientes do modelo, ou pode consultar repetidamente o classificador para calibrar o ataque. O artigo identifica uma premissa pouco explorada nesses pipelines industriais: os IDS não observam o tráfego continuamente, eles agregam telemetria em janelas deslizantes ou fixas no tempo, e o estado reconstruído pelo sistema depende não só do conteúdo observado, mas de exatamente quando cada pacote cai em relação à fronteira dessas janelas.
O Phantom State Attack explora essa dependência temporal de forma passiva e sem nenhuma consulta ao modelo. Em vez de alterar o conteúdo dos pacotes ou features, o ataque injeta um atraso de tempo limitado e calibrado à própria variabilidade natural de chegada entre pacotes do fluxo malicioso, desenhado para parecer uma flutuação normal de rede. Esse pequeno deslocamento é suficiente para empurrar observações para o lado errado de uma fronteira de janela de agregação, fazendo o IDS reconstruir um "estado fantasma": uma leitura do processo industrial que diverge do estado real, sem que nenhum pacote tenha sido modificado ou removido.
Os autores validam o PSA contra três classificadores comuns em IDS para IIoT — Random Forest, MLP e XGBoost — usando os datasets ToN-IoT e CIC IIoT 2025, medindo degradação de detecção, distorção de sincronização, furtividade e custo para o atacante. Um achado importante é que o efeito é condicional: fluxos com volume suficiente de pacotes para redistribuição entre janelas sofrem degradação real de detecção, enquanto fluxos mais esparsos permanecem quase intactos. Uma baseline por consulta ao modelo atinge taxa de sucesso bruta maior, mas exige muitas consultas por janela — o PSA não precisa de nenhuma.
A relevância prática está em expor uma superfície de ataque mais barata de explorar do que as técnicas de evasão anteriores: não exige acesso ao modelo nem aprender o comportamento do tráfego legítimo, e pode ser realizada por quem apenas controla o timing de envio dos próprios pacotes maliciosos — um cenário plausível em redes industriais reais. Para quem projeta pipelines de IDS em IIoT, o estudo sugere que a sincronização temporal e a definição das fronteiras de janela precisam ser tratadas como parte da superfície de segurança do sistema, não apenas como detalhe de implementação.