面向工业专用5G网络的OPC UA 机器学习基于入侵检测的实验研究
密码学与安全
2026-03-25 v1
摘要
工业部署日益依赖于统一架构(Open Platform Communications Unified Architecture, OPC UA)作为安全且平台无关的通信协议,而专用第五代(5G)网络提供低延迟和高可靠性的连接,以支持现代自动化系统。然而,它们的组合引入了新的攻击面和流量特征,尤其是就机器学习入侵检测系统(ML-based IDS)而言,仍不充分理解。本文提出了针对OPC UA 应用程序的实验性研究,这些应用程序运行在操作专用5G网络上。执行了多个攻击情景,并捕获和丰富了包含统计流量、数据包和协议感知特征的OPC UA 流量。训练和评估了多个监督式机器学习模型,以区分良性和恶意流量。结果表明,所提出的ML-based IDS在操作专用5G网络上针对代表性OPC UA 特定攻击情景实现了高检测性能。
引用
@article{arxiv.2603.23416,
title = {An Experimental Study of Machine Learning-Based Intrusion Detection for OPC UA over Industrial Private 5G Networks},
author = {Song Son Ha and Kunal Singh and Florian Foerster and Henry Beuster and Tim Kittel and Dominik Merli and Gerd Scholl},
journal= {arXiv preprint arXiv:2603.23416},
year = {2026}
}