工业控制系统的信息物理入侵检测与分类评估

工业控制系统（ICSs）与公共网络和数字设备的交互日益增多，给电力系统及其他关键基础设施带来了新的网络威胁。近期的 Stuxnet 和 Irongate 等信息物理攻击暴露了意想不到的 ICS 漏洞，表明需要改进安全措施。入侵检测系统是一项关键的安全技术，通常监控网络数据以检测恶意活动。然而，现代 ICS 的一个核心特征是物理与网络过程的相互依赖性不断增强。因此，通过考虑物理约束和底层过程模式，整合网络与物理过程数据被视为一种有前景的方法，可改善 ICS 实时入侵检测的可预测性。本工作通过与其纯网络数据对应方法进行比较并评估误分类与检测延迟，系统性地评估了基于机器学习的信息物理入侵检测与多类分类。多种有监督检测与分类流水线应用于一个近期的信息物理数据集，该数据集描述了通用 ICS 上的各类网络攻击与物理故障。一个关键发现是，物理过程数据的整合改善了所有考虑攻击类型的检测与分类。此外，它支持攻击与故障的同步处理，为整体跨域根因识别铺平了道路。