ỨNG DỤNG MÁY VECTƠ HỖ TRỢ VÀ BẤT THƯỜNG TRONG NGỮ CẢNH CHO PHÁT HIỆN XÂM NHẬP VÀO HỆ THỐNG SCADA

Nguyễn Văn Xuân; Vũ Đức Trường; Nguyễn Mạnh Hùng; Nguyễn Tăng Cường

ỨNG DỤNG MÁY VECTƠ HỖ TRỢ VÀ BẤT THƯỜNG TRONG NGỮ CẢNH CHO PHÁT HIỆN XÂM NHẬP VÀO HỆ THỐNG SCADA

Thông tin bài báo

Ngày nhận bài: 27/08/19 Ngày hoàn thiện: 22/09/19 Ngày đăng: 03/10/19

Các tác giả

1. Nguyễn Văn Xuân , Học viện Kỹ thuật quân sự.
2. Vũ Đức Trường, Học viện Kỹ thuật quân sự
3. Nguyễn Mạnh Hùng, Học viện Kỹ thuật quân sự
4. Nguyễn Tăng Cường, Học viện Kỹ thuật quân sự

Tóm tắt

Trong bài báo này, chúng tôi giới thiệu một mô hình IDS-SCADA, có khả năng phát hiện xâm nhập vào hệ thống SCADA với độ chính xác cao, mô hình này được xây dựng dựa trên máy học Support Vector Machine (SVM). Điểm đặc biệt của mô hình được đề xuất ở chỗ chúng tôi xem xét dữ liệu bất thường trong ngữ cảnh. Để làm điều đó, tập dữ liệu ban đầu được chúng tôi cấu trúc lại để tạo ngữ cảnh trước khi đưa vào SVM huấn luyện. Mô hình được chúng tôi đề xuất có khả năng phát hiện dữ liệu tấn công hay bình thường với độ chính xác đạt từ 95,02% đến 99,03%.

Từ khóa

Phát hiện xâm nhập, Máy học, IDS, SVM, SCADA.

Toàn văn:

PDF

Tài liệu tham khảo

[1]. J. Slay and M. Miller, “Lessons learned from the Maroochy Water Breach”, Critical Infrastructure Protection, Vol. 253, pp. 73–82, 2008.

[2]. D. Ryu, H. Kim and K. Um, “Reducing security vulnerabilities for critical infrastructure”. Journal of Loss Prevention in the Process Industries, Vol. 22, pp. 1020–1024, 2009.

[3]. N. Falliere, L. O. Murchu and E. Chien, W32.Stuxnet Dossier, Symantec Report version 1.3, Nov 2010.

[4]. UCI. “Knowledge Discovery in Databases (KDD) Cup Datasets”. Available at http://kdd.ics.uci.edu.

[5]. T. Morris, W. Gao. “Industrial Control System Network Traffic Data Sets to Facilitate Intrusion Detection System Research”, in Critical Infrastructure Protection VIII, Springer Berlin Heidelberg, Vol. 441, pp. 65-78, 2014.

[6]. Thornton, Z., A Virtualized SCADA Laboratory for Research and Teaching, Department of Electrical and Computer Engineering, Mississippi State University, 2015.

[7]. Turnipseed, I., “A new SCADA dataset for intrusion detection system research”. Department of Electrical and Computer Engineering, Mississippi State University, August 2015.

[8]. S. Haykin, Neural Networks and Learning Machines (3rd Edition) - Prentice Hall, 2009.

[9]. Cortes, C., Vapnik, V., “Support-vector networks, Machine Learning”, Vol. 20, pp. 273–297, 1995.

[10]. Bauer, D. S., &Koblentz, M. E. NIDX – “An expert system for real-time network intrusion detection”, 1988.

[11]. Lee, W., Stolfo, S., &Mok, K. “A Data Mining Framework for Building Intrusion Detection Model”. Proc. IEEE Symp. Security and Privacy, pp. 120-132, 1999.

[12]. Amor, N. B., Benferhat, S., &Elouedi, Z. “Naïve Bayes vs. Decision Trees in Intrusion Detection Systems”. Proc. ACM Symp.Applied Computing, 420424, 2004.

[13]. Mukkamala, S., Janoski, G., &Sung, A. “Intrusion detection using neural networks and support vector machines”. Paper presented at the International Joint Conference, 2002.

[14]. Shah, H., Undercoffer, J., & Joshi, A. “Fuzzy Clustering for Intrusion Detection”. Proc. 12th IEEE International Conference Fuzzy Systems (FUZZ-IEEE ’03), 2, 1274-1278, 2003.

[15]. Ambwani, T. “Multi class support vector machine implementation to intrusion detection”. Paper presented at the Proceedings of the International Joint Conference of Neural Networks, 2003.

[16]. T.Shon, Y. Kim, C.Lee and J.Moon, “A Machine Learning Framework for Network Anomaly Detection using SVM and GA”, Proceedings of the 2005 IEEE, 2005.

[17]. SandyaPeddabachigari, Ajith Abraham, CrinaGrosan, Johanson Thomas. “Modeling Intrusion Detection Systems using Hybrid Intelligent Systems”. Journal of Network and Computer Applications, 2005.

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ