时间至关重要：基于机器学习的工业时间序列数据入侵检测
机器学习
2019-06-11 v1 密码学与安全
机器学习
摘要
工业物联网极大地提升了工业应用中设备的互联性。除效率、可扩展性与易用性方面的益处外，这也带来了新型攻击面。历史上，工业网络与协议不包含因这一发展而必要的安全措施，如认证与加密。因此，工业 IT 安全不可或缺。本工作中，将仿真的工业网络数据转换为时间序列，并用三种不同算法进行分析。数据包含带标签的攻击，故可评估性能。Matrix Profiles 表现良好且几乎无需参数化。Seasonal Autoregressive Integrated Moving Average（季节性差分自回归滑动平均）在存在噪声时表现良好，但需参数化工作。基于 Long Short Term Memory（长短期记忆）的神经网络表现平平，却需要较高的训练与参数化成本。
引用
@article{arxiv.1809.07500,
title = {Time is of the Essence: Machine Learning-based Intrusion Detection in Industrial Time Series Data},
author = {Simon Duque Anton and Lia Ahrens and Daniel Fraunholz and Hans Dieter Schotten},
journal= {arXiv preprint arXiv:1809.07500},
year = {2019}
}
备注
Extended version of a publication in the 2018 IEEE International Conference on Data Mining Workshops (ICDMW)