一种基于机器学习的方法构建工业物联网与信息物理系统的零误报入侵防御系统——以电网安全为例

入侵防御系统（IPS）长期以来一直是抵御恶意攻击的第一道防线。大多数敏感系统都部署了其实例（例如防火墙）来保护网络边界并过滤攻击或不需要的流量。防火墙类似于分类器，具有一个边界来决定哪个流量样本正常、哪个不正常。该边界由配置定义，并由一组规则管理，这些规则偶尔也可能误过滤正常流量。然而，对于某些应用，任何正常操作的中断都是不可容忍的，例如发电厂、水分配系统、天然气或石油管道等。在本文中，我们设计了一种学习防火墙，它接收带标签的样本，并以保守的方式自动编写预防性规则来配置自身，从而避免误报。我们设计了一类称为 $\mathfrak{z}$-分类器的新分类器，与仅以准确率为目标的传统分类器不同，它们以零误报作为决策度量。首先，我们从分析上说明为何朴素地修改当前分类器（如 SVM）无法产生可接受的结果，然后提出一种通用的迭代算法来实现这一目标。我们将所提出的分类器以 CART 为核心，为电网监控系统构建防火墙。为了进一步评估该算法，我们还在 KDD CUP'99 数据集上进行了测试。结果证实了我们的方法的有效性。