面向电力系统网络攻击检测的多源数据融合
机器学习
2022-03-14 v1 系统与控制
系统与控制
摘要
网络攻击会对电力系统造成严重的影响，除非被及早检测。然而，关键基础设施系统中的准确和及时检测存在挑战，例如由于零日漏洞利用以及系统的信息物理特性，加上物理系统对高可靠性和韧性的需求。传统的基于规则和基于异常的入侵检测系统（IDS）工具不足以检测工业控制系统（ICS）网络中的零日网络入侵。因此，在这项工作中，我们展示融合来自多个数据源的信息有助于识别网络引发的安全事件并减少误报。具体而言，我们展示了如何认识并解决那些阻碍多数据源准确用于融合式检测的障碍。我们在一个信息物理电力系统测试床中进行多源数据融合以训练IDS，其中我们从多个传感器收集网络侧和物理侧数据，模拟实用系统中存在的真实数据源，并将其合成为供算法检测入侵的特征。使用所提出的数据融合应用推断基于虚假数据与命令注入的中间人（MiTM）攻击的结果被给出。收集之后，数据融合应用使用时间同步合并并提取特征，随后进行如填补和编码的预处理，再训练有监督、半监督和无监督学习模型以评估IDS性能。一个主要发现是通过融合来自网络、安全和物理域的特征提升了检测准确率。此外，我们观察到当输入我们的特征时，协同训练技术与有监督学习方法表现相当。
引用
@article{arxiv.2101.06897,
title = {Multi-Source Data Fusion for Cyberattack Detection in Power Systems},
author = {Abhijeet Sahu and Zeyu Mao and Patrick Wlazlo and Hao Huang and Katherine Davis and Ana Goulart and Saman Zonouz},
journal= {arXiv preprint arXiv:2101.06897},
year = {2022}
}