借助机器学习提升工业控制系统中的异常检测
密码学与安全
2024-10-28 v1
摘要
传统的入侵检测系统（IDS）通常仅依赖网络流量或过程数据，但这种单源方法可能漏检跨越工业控制系统（ICS）多个层面的复杂攻击模式，或检测针对 operational technology 系统不同层面 operational 层面的持久性威胁。本研究探讨了将网络数据与过程数据结合是否能提高 ICS 环境中的攻击检测能力。基于 SWaT 数据集，我们对各种机器学习模型在单个数据源和组合数据源上进行评估。我们的发现表明，将网络流量与运营过程数据集成可提升检测能力，尤其体现在对网络攻击分类的召回率提升。尽管本研究在有限的测试环境中仅作为概念验证，但结果仍显前景十分希望，突显了在 ICS 中通过多源数据方法推进入侵检测的可行性。
引用
@article{arxiv.2410.19717,
title = {Enhanced Anomaly Detection in Industrial Control Systems aided by Machine Learning},
author = {Vegard Berge and Chunlei Li},
journal= {arXiv preprint arXiv:2410.19717},
year = {2024}
}
备注
18 pages, Norwegian Information Security Conference, 2024