Cyberattack detection in industrial control systems traffic using side channel analysis
Ημερομηνία
27-06-2024
Συγγραφείς
Ντούρος, Δημήτριος
Ntouros, Dimitrios
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Επιβλέπων
Διαθέσιμο από
2024-07-01 13:53:47
Περίληψη
Το παρόν έγγραφο επικεντρώνεται στη σημασία της προστασίας των συστημάτων εποπτικού ελέγχου και απόκτησης δεδομένων, διότι έχουν το δύσκολο έργο του ελέγχου των συστημάτων κρίσιμων υποδομών. Τα συστήματα αυτά δεν έχουν σχεδιαστεί για να είναι ασφαλή και ως αποτέλεσμα της εξέλιξης της τεχνολογίας εκδηλώνεται προοδευτικά η αναγκαιότητα σύνδεσης δικτύου ή/και διαδικτύου. Παρουσιάζουμε μια λύση για την ασφάλιση αυτών των τύπων συστημάτων αξιοποιώντας τα οφέλη των αλγορίθμων μηχανικής μάθησης και χρησιμοποιώντας τα σύνολα δεδομένων που έχουν παραχθεί για αξιολόγηση από προηγούμενους ερευνητές. Αυτά τα σύνολα δεδομένων σχεδιάστηκαν για να προσομοιώνουν συστήματα ελέγχου σωλήνων αερίου, τα οποία περιέχουν επικοινωνίες απομακρυσμένης τερματικής μονάδας (RTU) με τα χαρακτηριστικά που φαίνεται να παρουσιάζουν. Παρέχουμε επίσης μετρήσεις σχετικά με την ακρίβεια διαφορετικών τύπων ταξινομητών μηχανικής μάθησης σε πίνακες για να διακρίνουμε την απόδοσή τους σε πολλαπλά πειράματα με βάση την ειδική φύση των παρεχόμενων δεδομένων.This paper focuses on the importance of protecting the supervisory control and data acquisition systems, because they have the difficult task of controlling critical infrastructure systems. These systems have not been designed to be secure and as a result of the evolution the technology the necessity of network and/or internet connection is progressively manifesting. We present a solution in securing these types of systems utilizing the benefits of machine learning algorithms and using the datasets that have being produced for evaluation from previous researchers. These datasets were designed to simulate gas pipe control systems, that contain Remote Terminal Unit (RTU) communications with the characteristics they seem to present. We also provide metrics on the accuracy of different types of machine learning classifiers on tables to distinguish their performance on multiple experiments based on the special nature of the data provided.
Περιγραφή
Λέξεις-κλειδιά
Συστήματα εποπτικού ελέγχου και απόκτησης δεδομένων, Μηχανική μάθηση, Ανίχνευση ιομορφικού λογισμικού, Τεχνητή νοημοσύνη, Supervisory Control and Data Acquisition Systems (SCADA), Machine learning (ML), Malware detection, Artificial Intelligence (AI)