在工业网络中使用混合深度学习架构进行多步攻击检测.

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 工业控制系统安全 工业控制系统安全

背景情况:

• 工业网络面临着越来越多的高影响力网络攻击.
• 现有的安全系统往往会对威胁做出反应,而不是防止威胁.
• 有效的入侵检测需要适应性算法,以应对持续运行的工业环境中不断变化的威胁.

研究的目的:

• 提出一种新的混合深度学习模型,用于在工业网络中主动检测入侵.
• 加强入侵检测系统的适应能力,以应对不断变化的网络威胁.
• 改善工业网络对恶意攻击的整体安全状况.

主要方法:

• 开发了一个融合卷积神经网络 (CNN) 和深度信念网络 (DBN) 的混合模型.
• 使用多步式网络攻击 (MSCAD) 数据集进行模型培训和评估.
• 采用了各种既定指标来评估拟议的入侵检测系统的有效性.

主要成果:

• 混合CNN-DBN模型在检测工业网络中的入侵方面表现出显著的有效性.
• 该模型显示了适应能力,这对于持续运行和不断变化的工业环境至关重要.
• 使用MSCAD数据集的性能评估证实了该模型在强大的威胁识别方面的潜力.

结论:

• 拟议的混合深度学习模型为工业网络安全提供了一个有希望的主动解决方案.
• 适应性入侵检测对于保护工业网络免受复杂的网络威胁至关重要.
• 这种方法可以帮助减轻系统故障,网络中断和工业环境中的数据泄露.