关键基础设施与供应链中的网络攻击检测
密码学与安全
2025-10-24 v1
摘要
在工业 4.0 背景下,关键基础设施与供应链中的网络攻击检测已成为一项挑战。入侵检测系统(IDS)被部署用于应对网络攻击。然而,IDS 仅能基于已知签名与模式有效检测攻击,零日攻击则无法被检测到。为克服 IDS 的这一缺陷,我们提出将密集神经网络(DNN)与数据增强相结合。它使 IDS 智能化,并使其在遇到新型攻击时能够以高精度进行自学习。网络流捕获数据集与真实网络一样高度不平衡。数据增强在平衡数据方面起着至关重要的作用。数据平衡具有挑战性,因为少数类仅占数据集的 0.000004\%,而多数类则超过数据集的 80\%。我们采用合成少数类过采样技术(SMOTE)进行数据平衡。然而,在平衡测试数据上虽能达到较高准确率,但在原始不平衡测试数据上准确率明显下降,表明存在过拟合现象。与使用 SMOTE + Edited Nearest Neighbor 的现有前沿研究的对比表明,对于原始数据集,各类别的分类效果仍然较差。这表明,对于高度不平衡的网络流数据集,需要采用不同的数据增强方法。
引用
@article{arxiv.2510.19859,
title = {Cyberattack Detection in Critical Infrastructure and Supply Chains},
author = {Smita Khapre},
journal= {arXiv preprint arXiv:2510.19859},
year = {2025}
}