산업 4.0의 침입 탐지를 위한 스택형 원 클래스 광 학습 시스템

산업 4.0의 급속한 발전과 함께, 산업 빅 데이터는 산업 사물인터넷의 핵심 요소로 자리잡았습니다. 산업 사이버 물리 시스템(CPS)에서 가장 근본적이고 필수적인 구성 요소 중 하나인 지능형 이상 탐지는 여전히 필수적이고 도전적인 문제입니다. 그러나 네트워크가 발전함에 따라 수집하기 어려운 미지의 공격 유형이 존재할 수 있습니다. 수집된 훈련 데이터가 정상 상태만 포함된 원 클래스 산업 침입 탐지 시나리오에 직면하여, 원 클래스 광 학습 시스템(OCBLS)과 스택형 OCBLS(ST-OCBLS) 알고리즘이 개발되었습니다. BLS의 특성 덕분에, 우리의 제안된 접근 방식은 효율적인 훈련 과정의 장점을 유지합니다. 또한, ST-OCBLS에서 점진적 인코딩 및 디코딩 메커니즘을 통해 네트워크 트래픽 데이터의 고수준 숨겨진 특징을 학습할 수 있습니다. 여러 실제 침입 탐지 작업에 대한 광범위한 비교 실험을 수행하여, 우리의 제안된 방법들이 복잡한 네트워크 데이터와 다양화된 공격 유형에 대해 경쟁력 있는 성능과 높은 효율성을 가지고 있음을 입증합니다. 전반적으로, 이 문서는 산업 4.0에서 네트워크 침입 탐지를 위한 새로운 대안 솔루션을 제공합니다.