实施基于RL的网络攻击探测器,使用VaR值方法

科学领域:

• 网络物理系统 (CPS) 的安全性
• 网络控制系统 (NCS) 漏洞分析
• 机器学习在工业控制中的应用.

背景情况:

• 在CPS和NCS中增加的连接性引发了重大的网络安全问题.
• 现有的检测方法通常需要系统模型,这限制了它们的适用性.
• 复杂的网络威胁需要先进的实时检测策略.

研究的目的:

• 开发和验证一种无模型的实时网络攻击检测方法,用于液体级控制CPS (LLC-CPS).
• 利用强化学习 (RL) 和风险价值 (VaR) 进行强大的异常检测.
• 解决系统动态和非高斯噪声在攻击检测中的挑战.

主要方法:

• 利用Q学习来估计用于异常检测的贝尔曼偏差序列,消除了对显式系统模型的需求.
• 实施了风险价值 (VaR) 值方法来处理重尾余数和非高斯分布.
• 实验验证了该方法对抗虚假数据注入 (FDI),拒绝服务 (DoS) 和中间人 (MitM) 攻击.

主要成果:

• 拟议的方法证明了对LLC-CPS的各种网络威胁的可靠实时检测.
• 实现了正常运行状态与攻击条件的有效分离,即使系统复杂.
• 使用错误报警率 (FAR),错过报警率 (MAR),检测延迟 (DD),精度和F1评分来评估性能,显示出有希望的结果.

结论:

• 基于RL的无模型方法与VaR值提供了一个可行的解决方案,用于保护CPS免受先进的网络威胁.
• 实践实验证实了该方法的有效性,强调了其稳定性和适应性.
• 这项研究有助于提高工业控制系统的网络安全态度.