ارائه یک روش خودنظارتی کشف ناهنجاری حسگرها در سامانههای کنترل صنعتی مبتنی بر یادگیری عمیق گروهمحور
الموضوعات : فناوری اطلاعات و ارتباطات
آرمین سلیمی بدر
1
,
آتنا عبدی
2
,
افشین سوزنی
3
1 - دانشگاه شهید بهشتی
2 - دانشگاه صنعتی خواجه نصیر
3 - پژوهشگاه ارتباطات و فناوری اطلاعات
الکلمات المفتاحية: سامانههای کنترل صنعتی, کشف ناهنجاری, یادگیری عمیق, یادگیری گروهمحور, همبستگی,
ملخص المقالة :
در این مقاله رویکرد خودنظارتی کشف ناهنجاری دادههای حسگر مبتنی بر یادگیری عمیق گروهمحور و یک دستهای در کاربردهای کنترل صنعتی ارائه شده است. سامانههای کنترل صنعتی با پیشرفت فناوری و به منظور افزایش کارایی در کنترل از راه دور به اینترنت متصل شدهاند. این اتصال در کنار مزایای زیاد منجر به افزایش آسیبپذیری در برابر حملات سایبری شده است.کشف ناهنجاری یکی از فرایندهای شناخته شده مواجهه با اشکالات و حملات سایبری میباشد.بدین منظور رویکردهای کشف ناهنجاری متعددی ارائه شدهاند که عموما مبتنی بر تحلیل محلی و کوتاهمدت دادهها میباشند.روش پیشنهادی با بکارگیری رویکردی گروهمحور متشکل از چندین عامل تشخیص مبتنی بر روشهای یادگیری عمیق مختلف، ویژگیهای زمانی، مکانی، محلی و سراسری داده در فرایند پیشبینی را بهصورت همزمان درنظر میگیرد.عوامل تشخیص دارای روند کاری همگن و ساختار پیشبینی ناهمگن میباشند تا هر یک بر اساس ویژگی ساختار مورد استفاده شاخصههای متفاوتی از سیگنال ورودی را مورد بررسی قرار دهند. ساختارهای درنظر گرفته شده در روش پیشنهادی برپایه حافظه بلندکوتاه مدت، شبکه عصبی پیچشی و شبکه عصبی تماممتصل میباشد. هر واحد تشخیص درجه هنجاربودن برای سیگنال ورودی بر مبنای تحلیل آماری خطای پیشبینی ساختار کدگذار-کدگشای خود با در نظر گرفتن همبستگی زمانی-مکانی بین ویژگیها محاسبه میکند.این ساختارها بهصورت موازی اجرا شده و رایگیری وزندار آستانهمحور با هدف مشخص کردن نتیجه نهایی از اجماع روشها بر خروجیهای عوامل تشخیص اعمال میشود.بهمنظور بررسی قابلیتهای روش پیشنهادی، آزمایشهای متعددی بر بستر سامانه کنترل صنعتی شبیهسازی شده انجام گرفته است و نتایج بهبود دقت میانگین 14% نسبت به رویکردهای پیشین را نشان میدهد.
[1] E. Knapp, Industrial Network Security: Securing critical infrastructure networks for smart grid, SCADA, and other Industrial Control Systems. Elsevier, 2024
[2] R. Radvanovsky and J. Brodsky, Handbook of SCADA. Boca Raton Crc Press, 2016.
[3] B. Zhu and S. Sastry, “Scada-specific intrusion detection/prevention systems: a survey and taxonomy,” in Proceedings of the 1st Workshop on Secure Control Systems (SCS), 2010.
[4] B. Kim, M. Alawami, E. Kim, S. Oh, J. Park, H. Kim, “A comparative study of time series anomaly detection models for industrial control systems,” Sensors, vol. 23, p. 1310, January 2023.
[5] M. Nawrocki, M, T. Schmidt, M. Wählisch, “Uncovering Vulnerable Industrial Control Systems from the Internet Core,” In Proceedings of the IEEE/IFIP Network Operations and Management Symposium, Budapest, Hungary, 20–24 April 2020.
[6] A. Di Pinto, Y. Dragoni, A. Carcano, “The First ICS Cyber Attack on Safety Instrument Systems,” In Proceedings of the Black Hat USA, Las Vegas, NV, USA, 4–9 August 2018.
[7] K. D. Gupta, K. Singhal, D. K. Sharma, N. Sharma, and S. J. Malebary, “Fuzzy Controller-empowered Autoencoder Framework for anomaly detection in Cyber Physical Systems,” Computers & Electrical Engineering, vol. 108, p. 108685, May 2023.
[8] D. Pliatsios, P. Sarigiannidis, T. Lagkas, and A. Sarigiannidis, “A survey on SCADA systems: secure protocols, incidents, threats and tactics,” IEEE Communications Surveys & Tutorials, vol. 22, pp.1942-1976, April 2020.
[9] Y. Yang, K. McLaughlin, T. Littler, S. Sezer, B. Pranggono, and H. Wang, “Intrusion detection system for IEC 60870-5-104 based scada networks,” in Proceeding IEEE Power & Energy Society General Meeting, 2013.
[10] S. Alem, D. Espes, L. Nana, E. Martin, F. De Lamotte, “A novel bi-anomaly-based intrusion detection system approach for industry 4.0,” Future Generation Computer Systems, vol. 145, pp.267-283, August 2023.
[11] F. Skopik, I. Friedberg, and R. Fiedler, “Dealing with advanced persistent threats in smart grid ict networks,” in Proceeding Innovative Smart Grid Technologies Conference (ISGT), 2014.
[12] I. Friedberg, F. Skopik, G. Settanni, and R. Fiedler, “Combating advanced persistent threats: From network event correlation to incident detection,” Computers & Security, vol. 48, pp. 35–57, 2015.
[13] F. Zhang, H. Kodituwakku, J. Hines, J. Coble, “ Multilayer Data-Driven Cyber-Attack Detection System for Industrial Control Systems Based on Network, System, and Process Data,” IEEE Transactions on Industrial Informatics, vol. 15, pp.4362-4369, January 2019.
[14] GR. MR, N. Somu, A. Mathur, “A Multilayer Perceptron Model for Anomaly Detection in Water Treatment Plants,” International Journal of Critical Infrastructure Protection, vol. 31, p. 100393, December 2020.
[15] R. Khalil, N. Saeed, M. Masood, Y. Fard, M. Alouini, T. Al-Naffouri, “Deep learning in the industrial internet of things: Potentials, challenges, and emerging applications,” IEEE Internet of Things Journal, vol. 8, pp. 11016-11040, 2021.
[16] H. Mao, M. Alizadeh, I. Menache, S. Kandula, “Resource management with deep reinforcement learning,” in Proceedings of the 15th ACM Workshop on Hot Topics in Networks, 2016.
[17] Y. Lu, S. Chai, Y. Suo, F. Yao, C. Zhang, “Intrusion detection for Industrial Internet of Things based on deep learning,” Neurocomputing, vol. 564, 2024.
[18] J. Audibert, P. Michiardi, F. Guyard, S. Marti, M. Zuluaga, “USAD: Unsupervised Anomaly Detection on Multivariate Time Series,” In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2020.
[19] A. Deng, B. Hooi, “Graph Neural Network-Based Anomaly Detection in Multivariate Time Series,” In Proceedings of the AAAI Conference on Artificial Intelligence, 2021.
[20] Z. Li, Y. Zhao, J. Han, Y. Su, R. Jiao, X. Wen, D. Pei, “Multivariate Time Series Anomaly Detection and Interpretation using Hierarchical Inter-Metric and Temporal Embedding,” In Proceedings of the ACM SIGKDD Conference on Knowledge Discovery & Data Mining, 2021.
[21] A. Koay, R. Ko, H. Hettema, K. Radke, “Machine learning in industrial control system (ICS) security: current landscape, opportunities and challenges,” Journal of Intelligent Information Systems, vol. 60, pp. 377-405, 2023.
[22] M. Nankya, R. Chataut, R. Akl, “Securing industrial control systems: components, cyber threats, and machine learning-driven defense strategies,” Sensors, vol. 23, p. 8840, 2023.
[23] L. Yuan, X. Ya, C. Long, P. Guojun, Y. Danfeng “Deep Learning-Based Anomaly Detection in Cyber-Physical Systems: Progress and Opportunities,” ACM Computing Surveys, vol. 54, pp. 1-36, 2021.
[24] W. Hilal, S. Gadsden, J. Yawney, “Financial fraud: a review of anomaly detection techniques and recent advances,” Expert systems With applications, vol. 193, p. 116429, 2022.
[25] A. Sgueglia, A. Sorbo, C. Visaggio, G. Canfora, ’A systematic literature review of IoT time series anomaly detection solutions,’ Future Generation Computer Systems, Vol. 134, PP. 170-186, 2022.
[26] A.Cook, G. Mısırlı, Z. Fan, “Anomaly Detection for IoT Time-Series Data: A Survey,” IEEE Internet of Things Journal, December 2019.
[27] L. Erhan, M. Ndubuaku, M. Di Mauro, W. Song, M. Chen, G. Fortino, O. Bagdasar, A. Liotta, ’Smart anomaly detection in sensor systems: A multi-perspective review’, Information Fusion,2020.
[28] A. Blázquez-García, A. Conde, U. Mori, J. Lozano, “A review on outlier/anomaly detection in time series data,” ACM computing surveys (CSUR), vol. 54, pp. 1-33, 2021.
[29] M. Van Onsem, D. De Paepe, S. Hautte, P. Bonte, V. Ledoux, A. Lejon, S. Van Hoecke, “Hierarchical pattern matching for anomaly detection in time series,” Computer Communications, vol. 193, pp. 75-81, 2022.
[30] C. Feng, T. Li and D. Chana, "Multi-level Anomaly Detection in Industrial Control Systems via Package Signatures and LSTM Networks," 2017 47th Annual IEEE/IFIP International Conference on Dependable Systems and Networks (DSN), 2017.
[31] Y. Lai, J. Zhang, and Z. Liu, “Industrial Anomaly Detection and Attack Classification Method Based on Convolutional Neural Network,” Security and Communication Networks, vol. 2019, pp. 1–11, Sep. 2019.
[32] M. Kravchik and A. Shabtai, “Detecting Cyber Attacks in Industrial Control Systems Using Convolutional Neural Networks,” Proceedings of the 2018 Workshop on Cyber-Physical Systems Security and PrivaCy, 2018.
[33] A. Abdi, A. Ghasemi-Tabar, "ARAD: Automated and Real-Time Anomaly Detection in Sensors of Autonomous Vehicles Through a Lightweight Supervised Learning Approach," IEEE Access, vol. 12, pp. 90432-90441, 2024
[34] L. Yuan, X. Ya, C. Long, P. Guojun, Y. Danfeng “Deep Learning-Based Anomaly Detection in Cyber-Physical Systems: Progress and Opportunities,” ACM Computing Surveys, vol. 54, pp. 1-36, 2021.
[35] Y. Wu, H. Dai, H. Tang, H, “Graph neural networks for anomaly detection in industrial internet of things,” IEEE Internet of Things Journal, vol. 9, pp. 9214-9231, 2021.
[36] Y. LeCun, Y. Bengio, and G. Hinton, “Deep Learning,” Nature, vol. 521, pp. 436-444, 2015.
[37] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. “O’Reilly Media, Inc.,” 2022.
[38] H. Mao, M. Alizadeh, I. Menache, S. Kandula, “Resource management with deep reinforcement learning,” in Proceedings of the 15th ACM Workshop on Hot Topics in Networks. ACM, 2016, pp. 50-56.
[39] Y. Lu, S. Chai, Y. Suo, F. Yao, C. Zhang, “Intrusion detection for Industrial Internet of Things based on deep learning,” Neurocomputing, vol. 564, 2024.
[40] Y. LeCun, Generalization and network design strategies, Technical Report, CRG-TR-89-4, University of Toronto, 1989.
[41] M.T. Jones, A beginner’s guide to artificial intelligence, machine learning, and cognitive computing, Technical Report, IBM, 2017.
[42] E. Sisinni, A. Saifullah, S. Han, U. Jennehag, M. Gidlund, “Industrial internet of things: Challenges, opportunities, and directions,” IEEE transactions on industrial informatics, vol. 14, pp. 4724-4734, 2018.
[43] J. Yu, H. Yin, X. Xia, T. Chen, J. Li and Z. Huang, "Self-Supervised Learning for Recommender Systems: A Survey," in IEEE Transactions on Knowledge and Data Engineering, vol. 36, pp. 335-355, Jan. 2024.
[44] J. Gui, T. Chen, J. Zhang, Q. Cao, Z. Sun, H. Luo, D. Tao, “A Survey on Self-supervised Learning: Algorithms, Applications, and Future Trends,” IEEE Transactions on Pattern Analysis and Machine Intelligence, June 2024.
[45] A. Mathur, N. Tippenhauer, “SWaT: A Water Treatment Testbed for Research and Training on ICS Security,” In Proceedings of the International Workshop on Cyber-Physical Systems for Smart Water Networks, 2016.
[46] M, Macas, W. Chunming, “Enhanced Cyber-Physical Security through Deep Learning Techniques,” In Proceedings of the CPS Summer School PhD Workshop, 2019.
[47] A. Abdulaal, Z. Liu, T. Lancewicki, “ Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization,” In Proceedings of the ACM SIGKDD Conference on Knowledge Discovery & Data Mining, 2021.
