利用在线学习算法检测工业控制系统中的网络攻击

工业控制系统对工业设施的运行至关重要,尤其对炼油厂、电网和交通系统等关键基础设施而言。与其他信息系统类似,工业控制系统的重大威胁来自网络空间攻击——由数字世界中“匿名者”发起、以基于计算机的资产为目标、旨在破坏系统功能或窃取信息的进攻性行动。鉴于工业控制系统的重要性及遭攻击可能带来的灾难性后果,已有大量工作致力于保障其免受网络攻击。其中,入侵检测系统作为第一道防线,通过监控并报告潜在恶意活动发挥作用。经典的基于机器学习的入侵检测方法通常一次性从规模适中的训练样本中学习出预测模型。该方法并不总适用于工业控制系统,因其须以不间断方式、在有限计算资源下处理连续控制指令。为满足此类需求,我们提出利用在线学习从控制数据流中学习预测模型。我们分类介绍了若干前沿在线学习算法,并在两个常用测试平台——电力系统与天然气管道上展示了其有效性。进一步,我们探索了一种新的代价敏感在线学习算法,以解决工业入侵检测系统中普遍存在的类不平衡问题。实验结果表明,所提算法能在工业控制系统网络攻击检测率上实现整体提升。