实施 SCADA 场景并引入攻击以获取入侵检测方法的训练数据

May, 2019

实施 SCADA 场景并引入攻击以获取入侵检测方法的训练数据

Implementing SCADA Scenarios and Introducing Attacks to Obtain Training Data for Intrusion Detection Methods

Simon Duque Antón, Michael Gundall, Daniel Fraunholz, Hans Dieter Schotten

TL;DR本文提出了一个用于基于机器学习的异常检测算法训练的标记数据集。该数据集基于实际的工业应用场景，包括真实工业硬件和应用特定的网络数据。数据集包含人工引入的攻击行为，并用传感器数据标记攻击行为，以进行规范的测试和评估。

Abstract

There are hardly any data sets publicly available that can be used to evaluate intrusion detection algorithms. The biggest threat for industrial applications arises from state-sponsored and criminal groups. Often, formerly unknown exploits are employed by these attackers, so-called 0-d

intrusion detection anomaly detection machine learning industrial control systems network data

发现论文，激发创造

工业控制系统异常检测数据集

本文介绍了一种新的 ICF 网络数据集 ICS-Flow，旨在为机器学习算法提供更加真实，有效的数据，作者通过实现决策树、随机森林和神经网络等多个模型来检测 ICSs 的安全隐患与攻击，并证明了该数据集可用于训练入侵检测的机器学习模型。

May, 2023

工业控制系统时间序列入侵检测的对抗攻击

该论文研究了在 ICS 环境下，使用 adversarial examples 技术构建针对 autoregressive IDS 的攻击，以有效地隐藏真实的网络攻击。作者对 Secure Water Treatment 系统进行了实验，仅考虑连续数据的情况下攻击成功率为 2.87/12，包含离散和连续变量的数据的情况下攻击成功率为 3.74/26。

Nov, 2019

SCADA 漏洞利用的 20 年：简史

本文分析了工业系统中已知的攻击，评估了攻击的类型及其入口点，介绍了针对工业企业的攻击活动和利用趋势。

May, 2019

智能电网攻击检测的机器学习方法

本文在智能电网攻击检测问题中，运用机器学习算法，以统计学习方法建立攻击检测框架。通过对攻击向量的统计和几何学属性的分析，检验算法在 IEEE 测试系统上的性能，实验结果表明，机器学习算法能够检测出攻击的性能比在攻击检测框架中使用状态向量估计方法的算法具有更高的表现。

Mar, 2015

使用序列到序列神经网络进行工业控制系统的异常检测

本研究提出了一种工业控制系统（ICS）操作数据的异常检测方法，采用序列到序列的神经网络进行训练与预测，解读其时间序列特征。该方法仅需要正常数据集，即可了解 ICS 的正常状态并检测异常。使用 SWaT 数据集进行评估，并检测出了 36 次攻击中的 29 次和 53 个攻击点中的 25 个，对实验结果的误警与漏警进行了详细分析。

Nov, 2019

上下文環境的問題：通過提供上下文信息增強入侵檢測

本文通过模拟工业网络行为，引入恶意行为并采用基于上下文和非上下文的入侵检测系统进行比较，发现采用上下文信息可以更可靠地识别恶意行为。

May, 2019

工控系统中机器学习网络安全防御的对抗攻击

该研究探讨了如何使用对抗性学习通过生成基于 Jacobian 的显著性图攻击的对抗性样本以及探索分类行为，从而攻击监督模型。该分析还包括如何使用对抗性训练来支持监督模型的鲁棒性。随着对抗性样本的出现，两个广泛使用的分类器 —— 随机森林和 J48 的分类性能分别降低了 16 和 20 个百分点，但训练后它们的性能得到提高，证明了它们对这种攻击的鲁棒性。

Apr, 2020

基於 usfAD 的高效未知攻擊檢測專注 IDS 框架

通过半监督学习技术开发入侵检测系统，建立了两种策略：1）使用随机和均匀分布的合成攻击样本训练有监督机器学习模型；2）构建一种仅基于良性网络流量训练的一类分类模型。实验证明，基于最先进的异常检测技术 usfAD 的一类分类模型在考虑真实场景并要检测先前未见的攻击时优于传统的有监督分类和其他一类分类技术。

Mar, 2024

学习网络入侵检测：一种数据驱动的方法

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

企业软件的基于日志的异常检测：一个实证研究

对比多个先进的异常检测模型在工业数据集上的表现，结果显示某些模型更适用于结构较松散的数据集，并且研究人员通过定性研究分析了这些模型在识别不同类型的异常时的优势和局限性，最后对训练集大小进行逐渐增加并评估模型的有效性。

Oct, 2023