Overview

Niniejsze badanie podejmuje problem rosnącej podatności starszych sieci SCADA w infrastrukturze krytycznej na wyrafinowane ataki cyber-fizyczne. Systemy te, często korzystające z niezabezpieczonych protokolów, takich jak Modbus i DNP3, są slabo chronione przez tradycyjne wykrywanie wlamań oparte na sygnaturach. Studium proponuje autonomiczne ramy wykrywania anomalii wykorzystujące glębokie uczenie do identyfikacji zagrożeń w czasie rzeczywistym. Poprzez analizę danych operacyjnych, modele takie jak LSTM-Autoencoder uczą się normalnych wzorców zachowań i z dużą dokladnością sygnalizują odchylenia. Opracowany system wykazuje doskonalą skutecznośc w wykrywaniu ukrytych ataków, takich jak wstrzykiwanie falszywych danych i manipulacja komendami, znacząco redukując opóźnienia w wykrywaniu. To podejście oparte na danych zapewnia proaktywny mechanizm bezpieczeństwa, zwiększając odpornośc systemu bez kosztownej modernizacji infrastruktury. Stanowi ono krytyczny krok w kierunku inteligentnej, adaptacyjnej obrony w celu zabezpieczenia kluczowych uslug przed ewoluującymi cyberzagrożeniami, zapewniając ciąglośc operacyjną i bezpieczeństwo. Ramy te integrują możliwości ciąglego uczenia się, co pozwala na adaptację do nowych zagrożeń i wzorców ruchu. Ocena eksperymentalna przeprowadzona na symulacjach.

Full Product Details

9786209587887

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available