使用深度学习来防止网络透的SCADA安全系统
Sayawu Yakubu Diaba1, Theophilus Anafo2, Lord Anertei Tetteh3
1Department of Telecommunication Engineering, School of Technology and Innovations, University of Vaasa, Vaasa, Finland.
概括
一个新的入侵检测算法,基因种植植物转换器神经网络 (GSFTNN),增强了监督控制和数据采集 (SCADA) 系统的安全性. 通过分析操作模式,GSFTNN有效地检测网络威胁,优于传统方法.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 工业控制系统 工业控制系统
背景情况:
- 监督控制和数据采集 (SCADA) 系统对于工业运营至关重要,但由于不断的互联网连接和内部安全性较弱,它们容易受到网络攻击.
- 传统的基于签名的入侵检测系统在复杂的SCADA环境中难以识别新的威胁.
研究的目的:
- 提出和评估一种新的入侵检测算法,即基因种植植物转换器神经网络 (GSFTNN),以解决SCADA系统的安全漏洞.
- 提高在工业控制系统中识别网络入侵的检测准确度和效率.
主要方法:
- 遗传种植植物 (GSF) 功能优化算法与变压器神经网络 (TNN) 集成.
- 该GSFTNN算法通过识别操作模式中的偏差,表明未经授权的访问来检测入侵.
- 性能评估使用了WUSTL-IIOT-2018 ICS SCADA网络安全数据集进行.
主要成果:
- 拟议的GSFTNN算法与传统方法 (如残余神经网络 (ResNet),循环神经网络 (RNN) 和长短期记忆 (LSTM) 等) 相比,表现优越.
- 在SCADA环境中检测入侵时,GSFTNN实现了更高的准确性和效率.
- 该算法有效地识别了操作模式的微妙变化,表明潜在的网络威胁.
结论:
- 该GSFTNN算法在SCADA网络安全方面取得了重大进展,为入侵检测提供了更强大,更有效的解决方案.
- 这种新的方法有效地减轻了工业控制系统中的安全瓶.
- 对于保护关键基础设施而言,GSFTNN代表了传统入侵检测方法的有希望的替代方案.
