借助到达间隔曲线利用机器学习检测工业控制网络异常
密码学与安全
2019-11-14 v1 分布式、并行与集群计算
系统与控制
系统与控制
摘要
工业控制网络（ICN）如监控与数据采集（SCADA）系统被广泛用于工业中以监测和控制物理过程。这些工业包括发电与供应、油气生产与输送、水与废物管理、电信与交通设施。互联网的集成使这些系统暴露于网络威胁之下。ICN 被攻陷的后果关系到一个国家经济与功能可持续性。因此，强化安全性与确保正确操作成为工业控制系统（ICS）的最大关切之一，亟需解决。本文中，我们提出一种利用系统物理特性的 ICN 异常检测方法。我们建立了发电过程的操作基线，并使用贪心与遗传特征选择算法缩减特征集。分类基于支持向量机（SVM）、k-近邻（k-NN）和 C4.5 决策树，并借助到达间隔曲线完成。结果显示所提方法以高准确度成功检测异常。此外，它们证明当与到达间隔曲线结合使用时，SVM 和 C4.5 即便对高敏感性攻击也能产生准确结果。相比之下，k-NN 对低和中敏感性攻击测试用例无法产生良好结果。
引用
@article{arxiv.1911.05692,
title = {Anomaly Detection for Industrial Control Networks using Machine Learning with the help from the Inter-Arrival Curves},
author = {Basem AL-Madani and Ahmad Shawahna and Mohammad Qureshi},
journal= {arXiv preprint arXiv:1911.05692},
year = {2019}
}
备注
14 pages, 12 figures