Key points are not available for this paper at this time.
ZUSAMMENFASSUNG Die zunehmende Komplexität und Interkonnektivität industrieller cyber-physikalischer Systeme (ICPS), während sie die operationale Sicherheit und Zuverlässigkeit erhöhen, haben auch signifikante Herausforderungen für die Cybersicherheit eingeführt. Software-definierte Netzwerke (SDN), eine transformative Technologie für zentrales und dynamisches Ressourcenmanagement, sind besonders anfällig, da zentrale Steuerungsebenen zu einem einzigen Ausfallpunkt werden können. Die Integration von Digital Twin-Technologie, die virtuelle Nachbildungen physikalischer Systeme für Echtzeitüberwachung und -vorhersage erstellt, verschärft zusätzlich die Sicherheitsrisiken. Um diese Probleme anzugehen, präsentieren wir TwinSec‐IDS, ein erweitertes Intrusions-Detektionsframework, das für SDN-basierte digitale Zwillinge in ICPS entwickelt wurde. TwinSec‐IDS bietet eine umfassende und proaktive Intrusionsdetektion, wodurch die Resilienz industrieller Netzwerke verbessert wird. Dieses Papier stellt einen Ensemble-Ansatz vor, der hybride Deep-Learning-Modelle – wie Bi-GRU-CNN, Bi-GRU-LSTM und Bi-GRU-LSTM-CNN – nutzt, die mit ensemble-basierten Merkmalsauswahltechniken integriert sind. Das System verwendet gewichtetes Mehrheitsvotum, um Vorhersagen aus mehreren Modellen zu kombinieren und die Genauigkeit der Erkennung zu verbessern. Um eine optimale Merkmalsauswahl zu gewährleisten, umfasst das Framework erklärbare KI und mehrere Filtermethoden, einschließlich gemeinsamer Information, Chi-Quadrat-Tests und Korrelationskoeffizienten, die über einen Abstimmungsmechanismus aggregiert werden. TwinSec‐IDS zeigt eine hohe Genauigkeit bei der Erkennung und Kategorisierung von Anomalien und reagiert effektiv auf potenzielle Bedrohungen. Umfassende Bewertungen zeigen, dass TwinSec‐IDS die Sicherheit und Resilienz von SDN-basierten digitalen Zwillingen in ICPS erheblich verbessert und kritische Herausforderungen der Cybersicherheit angeht, wodurch industrielle Prozesse sicherer und zuverlässiger werden.
Krishnaveni et al. (Di,) untersuchten diese Frage.