تشخیص نفوذ به سیستم های کنترل صنعتی با استفاده از بصری سازی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 761

فایل این مقاله در 11 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF03_248

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

سیستم های تشخیص نفوذ صنعتی حمله های وارد شده به سیستم های کنترل صنعتی را در دو فاز تشخیص می دهند: در فاز اول، سیستم تشخیص نفوذ رفتار سیستم کنترل صنعتی را زیر نظر قرار می دهد و در صورت رخداد حمله اعلان صادر می کند. در فاز دوم، اپراتورها اعلان ها را جهت دریافت حمله بودن یا نبودن بررسی می کنند. متاسفانه میان این دو فاز یک فاصله مفهومی وجود دارد که می تواند منجر به تصمیم نادرست شود. علاوه بر آن، چون معمولا در سیستم های کنترل صنعتی تعداد ورودی/خروجی ها و موارد کنترلی زیاد است، اپراتور ها را برای تصمیم گیری دچار مشکل می کند. سیستم ارایه شده پر این مقاله، با کاهش ابعاد داده های سیستم کنترل صنعتی توسط الگوریتم PCA و سپس بصری سازی آن، این فاصله مفهومی کاهش می دهد. نتایج تجربی روی پروسه شبیه سازی شده پاستوریزه کردن شیر نشان می دهد که با استفاده از این سیستم، حمله های وارد شده به سیستم کنترل صنعتی را با موفقیت می توان تشخیص داد.

نویسندگان

امین خزاعی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه شیراز،

اشکان سامی

دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

عبدالله خلیلی

دانشجوی دکتری مهندسی کامپیوتر، دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. Cheminod, L. Durante, A. Valenzano, Review of Security Issues ...
  • A. Di Pietro, F. Chiara, P. Simone, S. Panzieri, Assessing ...
  • R.V. Solms, J.V. Niekerk, From information security to cyber security, ...
  • S. Cheung, B. Dutertre, M. Fong, U. Lindqvist, K. Skinner, ...
  • E. Corchado, A. Herrero, Neural visualization of network traffic data ...
  • B. Luo, J. Xia, A novel intrusion detection system based ...
  • A.M. Riad, I. Elhenawy, A. Hassan, N. Awadallah, Visualize Network ...
  • J. Xin, J. Dickerson, Fuzzy feature extraction and visualization for ...
  • A. Carcano, I.N. Fovino, M. Masera, A. Trombetta, State-based Network ...
  • R. Mitchell, I. Chen, B ehavior-Rule -based Intrusion Detection Systems ...
  • R. Barbosa, A. Pras, Intrusion detection in SCADA networks, Proc. ...
  • D. Peterson, Quickdraw: Generating Security Log Events for Legacy SCADA ...
  • I.N. Fovino, A. Carcano, T. De Lacheze Murel, A. Trombetta, ...
  • A. Carcano, A. Coletta, M. Guglielmi, M. Masera, A. Trombetta, ...
  • J. Bigham, D. Gamez, N. Lu, Safeguarding SCADA systems with ...
  • D. Yang, A. Usynin, J.W. Hines, Anomaly-B ased Intrusion Detection ...
  • O. Linda, T. Vollmer, M. Manic, Neural Network based Intrusion ...
  • W. Gao, T. Morris, B. Reaves, D. Richey, On SCADA ...
  • I. Jolliffe, Principal component analysis. John Wiley & Sons, Ltd ...
  • نمایش کامل مراجع