捍卫辩护人:基于对抗性学习的防御策略,用于在网络物理系统 (CPS) 中基于学习的安全方法

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 网络物理系统 (CPS) 越来越容易受到复杂的网络攻击,因为它们的相互连接性和远程可访问性.
• 传统的基于签名的安全方法难以检测新型和复杂的零日攻击,需要先进的解决方案.
• 机器学习模型在攻击检测方面表现有前途,但它们本身容易受到诸如中毒和逃避等对抗性操纵的影响.

研究的目的:

• 提出基于对抗学习的防御战略,以提高网络物理系统的安全性和弹性.
• 解决传统和标准机器学习技术在检测高级和零日攻击方面的局限性.
• 面对不断变化的安全威胁,确保CPS的机密性,完整性和可用性.

主要方法:

• 开发并实施基于机器学习的智能攻击检测策略.
• 提出了一种基于对抗学习的防御机制,以对抗对抗攻击.
• 使用随机森林 (RF),人工神经网络 (ANN) 和长短期记忆 (LSTM) 模型评估了该策略.
• 使用了ToN_IoT网络数据集和生成对抗网络 (GAN) 生成的对抗数据集进行评估.

主要成果:

• 证明了机器学习模型在检测已知和未知 (零日) 攻击方面的有效性.
• 展示了拟议的对抗性学习策略的能力,以提高CPS对抗性攻击的弹性.
• 在标准和对抗数据集上验证了RF,ANN和LSTM模型的性能.

结论:

• 基于对抗学习的防御策略对于强大保护网络物理系统免受复杂和不断变化的威胁至关重要.
• 拟议的方法显著改善了对复杂攻击的检测,并提高了系统的弹性.
• 机器学习,特别是对抗训练,为下一代CPS安全提供了一个强大的范式.