آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,532 |
| تعداد مقالات | 18,594 |
| تعداد مشاهده مقاله | 60,955,188 |
| تعداد دریافت فایل اصل مقاله | 21,762,818 |
طراحی یک سیستم تشخیص نفوذ ترکیبی LSTM-DT در شبکههای SCADA | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| دوره 56، شماره 1 - شماره پیاپی 115، خرداد 1405، صفحه 35-40 اصل مقاله (694.81 K) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.67140.5017 | ||
| نویسندگان | ||
| مجید نقیبیان1؛ علیرضا فرجی* 2 | ||
| 1گروه مهندسی کنترل، دانشکده مهندسی برق و کامپیوتر دانشگاه کاشان | ||
| 2استادیار دانشکده مهندسی برق دانشگاه کاشان | ||
| چکیده | ||
| این مقاله یک سیستم تشخیص نفوذ ترکیبی برای سیستمهای کنترل صنعتی ارائه میدهد که از دادههای دنیای واقعی برای شناسایی حملات سایبری شناخته شده با دقت بسیار بالا استفاده میکند. این تحقیق با طراحی یک بستر آزمایشی آزمایشگاهی واقعگرایانه شامل یک PLC زیمنس S7-1200، یک HMI و نرمافزار WinCC آغاز میشود. سه نوع حمله سایبری DDoS، Start/Stop و Port Scan با استفاده از Metasploit شبیهسازی میشوند و ترافیک شبکه مربوطه از طریق Wireshark با فعال بودن Port Mirroring ثبت میشود. در طول پیشپردازش، دادهها فیلتر و برچسبگذاری میشوند و ویژگیهای رفتاری - مانند زمان بین ورود بستهها، فرکانس فرمان کنترل و تنوع پورت مقصد - استخراج میشوند. یک مدل ترکیبی LSTM-DT در سه پیکربندی توسعه داده شده و آموزش داده میشود. پیکربندی موازی (Config 3)، که خروجیهای هر دو مؤلفه LSTM و Decision Tree را با هم ترکیب میکند، عملکرد برتر را نشان میدهد. ارزیابی با استفاده از اعتبارسنجی متقابل 10-fold بر روی دادههای آزمایشی برچسبگذاری شده نشان میدهد که مدل پیشنهادی به دقت 99.45٪، دقت 99.23٪ و فراخوانی 99.49٪ دست مییابد. با تمرکز بر الگوهای رفتاری مبتنی بر جریان به جای بازرسی بار مفید، این سیستم سربار محاسباتی کمی را تضمین میکند و آن را برای محیطهای صنعتی با محدودیت منابع مناسب میسازد. | ||
| کلیدواژهها | ||
| سیستمهای کنترل صنعتی (ICS)؛ حملات سایبری؛ حافظه کوتاهمدت بلندمدت؛ درخت تصمیمگیری؛ سیستم تشخیص نفوذ | ||
| مراجع | ||
|
[1] Amanoul, S.V., et al., Intrusion Detection Systems Based on Machine Learning Algorithms, in 2021 IEEE International Conference on Automatic Control & Intelligent Systems (I2CACIS). 2021. p. 282-287. [2] Mohamad Kaouk, J.-M.F., Marie-Laure Potet, Roland Groz, A Review of Intrusion Detection Systems for Industrial Control Systems. 2019. [3] Mubarak, S., et al., Anomaly Detection in ICS Datasets with Machine Learning Algorithms. Computer Systems Science and Engineering, 2021. 37(1): p. 33-46. [4] Rocio Lopez Perez, F.A., Ridha Soua,Thomas Engel, Machine Learning for Reliable Network Attack Detection in SCADA Systems. 2018. [5] Marcio Andrey Teixeira, T.S., , Maede Zolanvari, Raj Jain, Nader Meskin, Mohammed Samaka, SCADA System Testbed for Cybersecurity Research Using Machine Learning Approach. Future Internet, 2018. [6] Manish Kumar, D.M.H., Dr. T. V. Suresh Kumar, Intrusion Detection System Using Decision Tree Algorithm. 2012. [7] Teixeira, M., et al., SCADA System Testbed for Cybersecurity Research Using Machine Learning Approach. Future Internet, 2018. 10(8). [8] Wang, W., et al., A stacked deep learning approach to cyber-attacks detection in industrial systems: application to power system and gas pipeline systems. Cluster Comput, 2022. 25(1): p. 561-578. [9] Wei Wang, Y.X., Lu Ren, Xiaodong Zhu, Rui Chang, Qing Yin, Detection of Data Injection Attack in Industrial Control System Using Long Short Term Memory Recurrent Neural Network. 2018. [10] Jihyun Kim, J.K., Huong Le Thi Thu, and Howon Kim, Long Short Term Memory Recurrent Neural Network Classifier for Intrusion Detection. 2016. [11] Sagarika Ghosh1, S.S., A Survey of Security in SCADA Networks: Current Issues and Future Challenges. IEEE Aerospace and Electronic Systems Magazine, 2019: p. 23. [12] Terai, A., et al., Cyber-Attack Detection for Industrial Control System Monitoring with Support Vector Machine Based on Communication Profile, in 2017 IEEE European Symposium on Security and Privacy Workshops (EuroS&PW). 2017. p. 132-138. [13] نجار, م. and س. معطر, تشخیص نفوذ شبکه با استفاده از رویکرد ترکیبی مدل مخفی مارکوف و یادگیری ماشین مفرط. مجله مهندسی برق دانشگاه تبریز, 2019. 48(4): p. 1807-1817. [14] قصابی, م. and م. دیپیر, تشخیص و کاهش اثر حملات DDOS در شبکههای نرمافزار محور با استفاده از تکنیک فاصله جفری. مجله مهندسی برق دانشگاه تبریز, 2018. 48(3): p. 1287-1300. [15] Ahmad, Z., et al., Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Transactions on Emerging Telecommunications Technologies, 2020. 32(1). [16] Alzahrani, A. and T.H.H. Aldhyani, Design of Efficient Based Artificial Intelligence Approaches for Sustainable of Cyber Security in Smart Industrial Control System. Sustainability, 2023. 15(10). [17] Arifin, M.A.S., et al., Oversampling and undersampling for intrusion detection system in the supervisory control and data acquisition IEC 60870‐5‐104. IET Cyber-Physical Systems: Theory & Applications, 2024. 9(3): p. 282-292. [18] Ferrag, M.A., M. Babaghayou, and M.A. Yazici, Cyber security for fog-based smart grid SCADA systems: Solutions and challenges. Journal of Information Security and Applications, 2020. 52. [19] Xin, Y., et al., Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access, 2018. 6: p. 35365-35381. | ||
|
آمار تعداد مشاهده مقاله: 107 تعداد دریافت فایل اصل مقاله: 64 |
||