Nov, 2019

使用序列到序列神经网络进行工业控制系统的异常检测

PDF
TL;DR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。
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

  • 基于神经网络的水处理系统异常检测及自动架构优化

    利用安全水处理工业控制系统测试数据集继续发展基于神经网络的异常检测方法，并提出应用遗传算法来寻找最佳神经网络结构，使用 NAB 值评估不同结构的质量，以及引入了多种技术来改进 AD 的质量，包括指数加权平滑、均值 p - 次方误差度量、每个变量的单独误差权重和不相交预测窗口。

    Jul, 2018

  • 基于神经系统识别和贝叶斯滤波的物理系统时间序列异常检测

    本文提出一种使用神经系统识别 (NSI) 和贝叶斯滤波 (BF) 的时间序列异常检测方法，该方法可比已有方法在错误检测上具有更好的性能。

    Jun, 2021

  • 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

  • 基于深度学习的工控系统隐蔽攻击识别

    使用基于深度学习的数据驱动框架识别、诊断和定位工控系统中智能电网上的一种类型的网络攻击，该方法结合了自编码器、基于长短期记忆（LSTM）的递归神经网络和深度神经网络，并在 IEEE 14-bus 模型上进行了实验验证。

    Sep, 2020

  • 利用无监督机器学习进行水处理系统的异常检测

    本文提出并评估了无监督机器学习在网络安全物理系统（CPS）中进行异常检测的应用，对比采用深度神经网络和一类支持向量机两种方法的性能，结果表明深度神经网络产生了更少的误报，但一类支持向量机检测到的异常略微更多。

    Sep, 2017

  • 基于注意力的深度生成模型用于工业控制系统中的异常检测

    该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

    May, 2024

  • 使用系统调用序列到序列模型进行入侵预测

    本研究利用循环神经网络的性能，构建了一个强大的系统调用序列 - 序列预测模型，提出了一种新的入侵预测方法。实验结果表明，该方法在入侵检测测试数据集上取得了良好的预测性能，并通过与各种分类器进行验证，使预测序列与已知调用的系统追踪结合，显著提高了入侵检测的性能。

    Aug, 2018

  • 使用轻量级神经网络和主成分分析在工业控制系统中进行高效的网络攻击检测

    本文研究基于 1D 卷积和自编码器的简单轻量级神经网络攻击检测方法，将此方法应用于时间和频率域，评估结果表明，该方法能够匹配或超过先前的检测结果，同时具有小的足迹、短的训练和检测时间及普适性。此外，本文研究了所提方法对敌对攻击的鲁棒性，结果发现所提方法对敌对攻击具有强鲁棒性，可以受到更多信任。

    Jul, 2019

  • 基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究

    快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

    May, 2024