使用卷积神经网络和基于决策树的分类来检测基于SDN的SCADA系统中的DDoS流行攻击的多阶段学习框架.

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:

• 由于传统的网络结构,传统的监督控制和数据采集 (SCADA) 系统面临着灵活性,可扩展性和管理方面的挑战.
• 软件定义网络 (SDN) 通过分离控制和数据层提供了潜在的解决方案,但引入了新的漏洞,特别是针对针对其集中控制器的分布式拒绝服务 (DDoS) 攻击.
• 有效地检测DDoS攻击对于防止基于SDN的SCADA环境中严重中断至关重要.

研究的目的:

• 提出和评估一种新的多阶段学习模型,用于有效检测基于SDN的SCADA系统中的DDoS攻击.
• 解决通过将SDN集成到SCADA网络中引入的安全漏洞.
• 提高关键工业基础设施对复杂的网络威胁的弹性.

主要方法:

• 开发一个多阶段的学习模型,结合一维卷积神经网络 (1D-CNN) 和基于决策树的分类.
• 为培训和测试,创建一个新的数据集,在特定的实验网络拓中提供各种攻击场景,用于培训和测试.
• 实验验证拟议模型在检测DDoS攻击方面的性能.

主要成果:

• 拟议的多阶段学习模型在检测DDoS攻击方面实现了97.8%的高准确率.
• 该模型证明了在基于SDN的SCADA网络中有效识别各种攻击场景.
• 突出了早期检测能力,使得安全措施能够及时实施.

结论:

• 开发的多阶段学习模型对于检测基于SDN的SCADA系统中的DDoS攻击非常有效.
• 这种方法在保护关键工业控制基础设施方面取得了重大进展.
• 这些发现强调了先进的机器学习技术在工业环境中提供强大的网络安全的潜力.