工业控制系统异常检测数据集
密码学与安全
2023-05-18 v1 机器学习
摘要
过去几十年中，工业控制系统（ICSs）成为网络攻击的目标，且随着更多 ICSs 连接到互联网，其脆弱性日益增加。将机器学习（ML）用于入侵检测系统（IDS）是一种有前景的 ICS 网络保护方法，但缺乏用于评估 ML 算法的合适数据集是一大挑战。尽管已有一些常用数据集，但它们可能不能反映真实的 ICS 网络数据、缺乏有效异常检测所需的必要特征或已过时。本文提出“ICS-Flow”数据集，其为基于监督与无监督 ML 的 IDS 评估提供网络数据与过程状态变量日志。网络数据包含从模拟 ICS 组件与仿真网络捕获的正常与异常网络数据包和流。异常通过黑客常用的多种攻击技术注入系统，以修改网络流量并破坏 ICSs。我们还提出了开源工具 `ICSFlowGenerator'，用于从原始网络数据包生成网络流参数。最终数据集包含超过 25,000,000 个原始网络数据包、网络流记录与过程变量日志。本文描述了收集与标注数据集的方法，并提供了详细数据分析。最后，我们实现了包括决策树、随机森林与人工神经网络在内的若干 ML 模型来检测异常与攻击，证明我们的数据集可有效用于训练入侵检测 ML 模型。
引用
@article{arxiv.2305.09678,
title = {Anomaly Detection Dataset for Industrial Control Systems},
author = {Alireza Dehlaghi-Ghadim and Mahshid Helali Moghadam and Ali Balador and Hans Hansson},
journal= {arXiv preprint arXiv:2305.09678},
year = {2023}
}