基于机器学习的异常检测算法在工业 Modbus/TCP 数据集上的评估
密码学与安全
2019-05-29 v1 机器学习
摘要
在工业物联网背景下，原本用于家庭与办公环境的通信技术被引入工业应用。商用现货产品以及统一且成熟的通信协议使该技术易于集成与使用。此外，通过使系统更易于管理、搭建与配置，相较经典工业控制生产力得以提升。遗憾的是，家庭与办公环境的大部分攻击面也被引入通常极少部署安全机制的工业应用中。过去数年，若干应对该问题的技术被研究。本工作中，采用基于机器学习的异常检测算法在虚构工业场景的 Modbus/TCP 通信合成数据集里发现恶意流量。所应用的算法为支持向量机（SVM）、随机森林、k-近邻与 k-means 聚类。由于合成数据集，监督学习成为可能。支持向量机与 k-近邻在不同数据集上表现良好，而 k-近邻与 k-means 聚类表现不尽如人意。
引用
@article{arxiv.1905.11757,
title = {Evaluation of Machine Learning-based Anomaly Detection Algorithms on an Industrial Modbus/TCP Data Set},
author = {Simon Duque Anton and Suneetha Kanoor and Daniel Fraunholz and Hans Dieter Schotten},
journal= {arXiv preprint arXiv:1905.11757},
year = {2019}
}
备注
This is a preprint of a work published in the Proceedings of the 13th International Conference on Availability, Reliability and Security (ARES 2018)