Erklärbare Anomalieerkennung für die Cybersicherheit von industriellen Steuerungssystemen

Industrielle Steuerungssysteme (ICS) werden immer wichtiger für die Verwaltung des Betriebs vieler bedeutender Systeme in der intelligenten Fertigung, wie z. B. Kraftwerke, Wasserversorgungssysteme und Fertigungsstandorte. Während massive digitale Daten eine treibende Kraft für die Systemleistung sein können, wirft die Datensicherheit ernsthafte Bedenken auf. Anomalieerkennung ist deshalb entscheidend, um Netzwerksicherheitsverletzungen und Systemangriffe zu verhindern. Viele KI-basierte Anomalieerkennungsmethoden wurden vorgeschlagen und erzielten eine hohe Erkennungsleistung, sind jedoch immer noch eine „Black Box“, die schwer zu interpretieren ist. In dieser Studie schlagen wir vor, Erklärbare Künstliche Intelligenz zu verwenden, um die Perspektive und die zuverlässigen Ergebnisse eines LSTM-basierten Autoencoder-OCSVM-Lernmodells zur Anomalieerkennung in ICS zu verbessern. Wir demonstrieren die Leistung unserer vorgeschlagenen Methode auf der Grundlage eines bekannten SCADA-Datensatzes.