lₚ-Normen in der Ein-Klassen-Klassifikation zur Eindringungserkennung in SCADA-Systemen

Die massive Nutzung von Informations- und Kommunikationstechnologien in Supervisory Control and Data Acquisition (SCADA)-Systemen eröffnet neue Wege für Cyberangriffe auf kritische Infrastrukturen, die sich auf SCADA-Netzwerke stützen. Die verschiedenen Schwachstellen in diesen Systemen und die Heterogenität von Cyberangriffen machen die Aufgabe für traditionelle Eindringungserkennungssysteme (IDS) äußerst schwierig. Das Modellieren von Cyberangriffen ist nahezu unmöglich geworden und ihre potenziellen Folgen können sehr schwerwiegend sein. Das Hauptziel dieser Arbeit besteht darin, bösartige Eindringungen zu erkennen, nachdem sie bereits traditionelle IDS und Firewalls umgangen haben. Dieses Papier untersucht den Einsatz maschinellen Lernens zur Eindringungserkennung in SCADA-Systemen unter Verwendung von Ein-Klassen-Klassifikationsalgorithmen. Zwei Ansätze der Ein-Klassen-Klassifikation werden untersucht: 1) die Support Vector Data Description (SVDD); und 2) die Kernel-Hauptkomponentenanalyse. Die Auswirkungen der betrachteten Metrik werden im Detail mit der Studie der lp-Normen in radialen Basisfunktionen (RBF)-Kernen untersucht. Ein heuristischer Ansatz wird vorgeschlagen, um eine optimale Wahl des Bandbreitenparameters in diesen Kernen zu finden. Tests werden mit realen Daten und mehreren Arten von Cyberangriffen durchgeführt.