利用进化多目标优化识别工业控制系统的漏洞
密码学与安全
2020-05-28 v1 神经与进化计算
摘要
本文提出一种新方法，借助两种进化多目标优化 (EMO) 算法 NSGA-II 与 SPEA2，辅助识别真实世界中复杂异构工业控制系统 (ICS) 的漏洞。我们的方法在知名基准化工装置仿真器 Tennessee Eastman (TE) 过程模型上进行评估。我们识别了 TE 模型各组件的漏洞，并利用这些漏洞生成组合攻击以破坏系统安全性并造成经济损失。结果通过与随机攻击对比，并使用超体积、散布度与反向世代距离 (IGD) 指标评估 EMO 算法性能。我们采用多种机器学习算法，开发了一种新型入侵检测系统作为针对上述攻击的防御手段。所设计的方法进一步针对已开发的检测方法进行测试。结果表明，EMO 算法是识别 ICS 最脆弱组件及现有保护系统的检测机制弱点的有力工具。所提方法可被控制与安全工程师用于设计具有安全意识的控制器，并在设计阶段及后续系统运行期间测试安全机制的有效性。
引用
@article{arxiv.2005.13095,
title = {Identifying Vulnerabilities of Industrial Control Systems using Evolutionary Multiobjective Optimisation},
author = {Nilufer Tuptuk and Stephen Hailes},
journal= {arXiv preprint arXiv:2005.13095},
year = {2020}
}
备注
25 pages