Optimierung des Penetrationstestprozesses in automatisierten Prozessleitsystemen mit Hilfe von Machine-Learning-Algorithmen

Im Papier wird der Prozess der weitverbreiteten Implementierung automatisierter Informationsmanagementsysteme in der Industrie, Energie und im Transport untersucht. Es wird festgestellt, dass eine Erhöhung ihrer Komplexität unweigerlich zu verschiedenen Arten von Schwachstellen in diesen Systemen führt, deren Vorhandensein es Angreifern ermöglicht, in automatisierte Leitsysteme einzudringen, diese zu kontrollieren und auch den normalen Betrieb der technologischen Prozesse, die sie steuern, zu stören. Es wird betont, dass in den letzten zehn Jahren erfolgreiche Cyberangriffe im Energiesektor, einschließlich der Kernenergie, im Seeverkehr, in Hafenumschlagskomplexen sowie in anderen Systemen verzeichnet wurden. Ein präventiver Ansatz zur Gewährleistung der Sicherheit automatisierter Leitsysteme besteht darin, vorhandene Schwachstellen zu identifizieren und auszunutzen, indem mögliche Cyberangriffe simuliert werden. Es wird festgestellt, dass die Automatisierung eines so arbeitsintensiven Prozesses wie "Penetrationstests" die Zeit, die finanziellen Kosten und andere Ressourcen reduziert. Die Hauptmethoden zur Identifizierung von Schwachstellen, einschließlich der Nutzung von künstlicher Intelligenz, wurden untersucht. Der präsentierte Ansatz zur Optimierung des Penetrationstestprozesses in automatisierten Prozessleitsystemen verwendet Machine-Learning-Algorithmen. Bevorzugt wird das verstärkendes Lernen, das auf dem Deep Q-Learning-Algorithmus basiert. Im Papier wird die Integration von Netzwerkscanning-Methoden, der Erstellung eines Angriffsgraphen und dem Training von neuronalen Netzen zur effektiven Identifizierung von Schwachstellen und Risiken in Netzwerk-Infrastrukturen vorgeschlagen. Zum Bau eines Angriffsgraphen wird die MITRE ATT&CK-Wissensdatenbank unter Verwendung des GBVA-Frameworks genutzt, und der Deep Q-Learning-Algorithmus wird verwendet, um optimale Aktionen während der Tests auszuwählen.