相关实验视频
Updated: Jun 26, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
ROSPaCe:用于基于ROS2的网络物理系统和物联网网络的入侵检测数据集
Tommaso Puccetti1, Simone Nardi2, Cosimo Cinquilli3
1Department of Mathematics and Informatics, University of Florence, Viale Morgagni 67/a, 50134, Firenze, FI, Italy. tommaso.puccetti@unifi.it.
Scientific data
|May 10, 2024
概括
本研究通过模拟机器人操作系统2 (ROS2) 环境的网络物理攻击,为入侵检测系统 (IDS) 引入了一个新的数据集. 该数据集可以更好地训练机器学习模型,以检测现实的,重叠的网络和物理威胁.
科学领域:
- 网络物理系统安全 网络物理系统安全
- 机器学习用于入侵检测和检测.
- 机器人安全 机器人安全
背景情况:
- 现有的入侵检测数据集往往只关注网络系统,缺乏现实的攻击场景.
- 当前的数据集通常从单个架构层收集数据,限制了全面分析.
- 需要数据集来捕捉正常操作和网络物理系统中各种攻击模式之间的相互作用.
研究的目的:
- 介绍一种用于嵌入式网络物理系统入侵检测的新数据集.
- 为ROS2环境开发和评估基于机器学习的入侵检测系统 (IDS).
- 促进关于检测具有现实的时间特征的ROS2特定攻击的研究.
主要方法:
- 使用机器人操作系统2 (ROS2) 开发了一个网络物理系统.
- 进行透测试以生成现实的攻击场景.
- 监控的系统功能跨越了三个架构层:Linux OS,网络和ROS2服务.
- 将数据集结构化为时间序列,交替进行正常和攻击操作.
主要成果:
- 该数据集捕捉了在正常和ROS2特定攻击条件下的系统行为.
- 它允许测量检测时间和检测前恶意活动的数量.
- 交替的攻击/正常运行周期适合训练IDS,以尽量减少检测时间和恶意活动.
结论:
- 提出的数据集通过提供更现实的网络物理入侵检测环境来解决现有资源的局限性.
- 它为在机器人和嵌入式系统中推进基于机器学习的IDS提供了有价值的工具.
- 该数据集支持专注于提高复杂系统中威胁检测速度和准确性的研究.
