利用轻量级神经网络与 PCA 在工业控制系统中高效检测网络攻击

工业控制系统（ICSs）应用广泛，对工业与社会至关重要。其故障会对经济和人类生活产生严重影响。因此，这些系统已成为物理与网络攻击的有吸引力的目标。已有若干攻击检测方法被提出，但它们存在检测率低、误报率高或仅针对特定系统的问题。本文研究一种基于简单轻量级神经网络（即一维卷积与自编码器）的攻击检测方法。我们将这些网络应用于所采集数据的时域与频域，并讨论每种方法的优劣。我们在三个流行的公开数据集上评估所提方法，取得了匹配或超过已发表检测结果的检测率，同时具有占用小、训练与检测时间短以及通用性强的特点。我们还展示了 PCA 的有效性：在恰当的数据预处理与特征选择下，它能在多种设置中提供较高的攻击检测分数。最后，我们研究了所提方法针对对抗攻击的鲁棒性，此类攻击利用神经网络固有的盲点来规避检测同时实现其预期的物理效果。我们的结果表明，所提方法对此类规避攻击是鲁棒的：为规避检测，攻击者被迫牺牲对系统预期的物理影响。该发现表明，在物理定律约束下训练的神经网络比在更灵活条件下训练的网络更值得信赖。