ВИРТУАЛЬНЫЙ КИБЕРПОЛИГОН ДЛЯ ПРОМЫШЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ НА БАЗЕ MODBUS ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.56132/2791-3368-2026-3-67-193-202Ключевые слова:
машинное обучение, системы промышленного управления, кибератаки, Modbus TCP, обнаружение аномалий, сетевая безопасностьАннотация
В представленной работе были проведены эксперименты с использованием алгоритмов машинного обучения в системе Modbus TCP (Transmission Control Protocol) для обнаружения аномалий. Использовался ряд эмуляций в технологиях Mininet и SCADA (Supervisory Control and Data Acquisition), подключенных с помощью инструмента мониторинга трафика и виртуального сетевого маршрутизатора. Для атаки на все данные были созданы атаки типа отказ в обслуживании (DoS) и легитимные записи с использованием виртуальных контроллеров. Технология Scapy использовалась для извлечения важных характеристик полученного трафика, таких как типы протоколов, размеры пакетов, время трафика и вариативность размера пакетов. Набор данных состоял из 500 записей, включая 280 легитимных данных, 100 DoS-атак и 120 атак с внедрением ложных данных (FDI). Он был дополнен 10% шумом для создания реалистичных условий классификации. Классификация проводилась с использованием алгоритмов логистической регрессии, машины опорных векторов и случайного леса. Результаты оценивались с помощью показателей accuracy, precision, recall и f1-score . Сравнивая результаты, модель логистической регрессии показала наилучшие результаты: accuracy – 0.888, precision – 0.894, recall – 0.888, f1-score 0.885. . Подводя итоги, полученные данные показали, что полностью виртуализированная среда обнаружения кибератак эффективна и безопасна для генерации промышленного трафика и тестирования обнаружения угроз. Также было показано, что она может обеспечить масштабируемую систему.
Скачивания
Библиографические ссылки
1. Genge B., Siaterlis C., Nai Fovino I., Masera M. (2012) A cyber-physical experimentation environment for the security analysis of networked industrial control systems. Computers & Electrical Engineering. 2012. - Vol. 38, No.5. P. 1146-1161. DOI: 10.1016/j.compeleceng.2012.06.015.
2. Antonioli D., Tippenhauer N. O. (2015) MiniCPS: A toolkit for security research on CPS networks. Proceedings of the First ACM Workshop on Cyber-Physical Systems Security and Privacy. - New York: ACM, 2015. P.91-100. DOI: 10.1145/2808705.2808715.
3. Mathur A. P., Tippenhauer N. O. (2016) SWaT: A water treatment testbed for research and training on ICS security. 2016 International Workshop on Cyber-Physical Systems for Smart Water Networks (CySWater). Vienna: IEEE, 2016. P. 31–36. - DOI: 10.1109/CySWater.2016.7469060.
4. Pospisil O., Fujdiak R., Mlynek P., Misurec J. (2021) Application perspective on cybersecurity testbed for industrial control systems. Sensors. 2021. Vol. 21, No.23. Art. 8119. DOI: 10.3390/s21238119.
5. Dehlaghi-Ghadim A., Balador A., Helali Moghadam M., Hansson H., Conti M. (2023) ICSSIM: A framework for building industrial control systems security testbeds. Computers in Industry. 2023. Vol.148. Art.103906. DOI: 10.1016/j.compind.2023.103906.
6. Goldenberg N., Wool A. (2013) Accurate modeling of Modbus/TCP for intrusion detection in SCADA systems. International Journal of Critical Infrastructure Protection. 2013. Vol. 6, No. 2. P. 63-75. DOI: 10.1016/j.ijcip.2013.05.001
7. Ghosh T., Al-Shaer E., Rahman M. (2023) Anomaly detection for Modbus over TCP in control systems using entropy and classification-based analysis. Journal of Cybersecurity and Privacy. 2023. Vol.3, No.4. P. 895-913. DOI: 10.3390/jcp3040041.
8. Duque Anton S., Kanoor S., Fraunholz D., Schotten H. D. (2018) Evaluation of machine learning-based anomaly detection algorithms on an industrial Modbus/TCP data set. Proceedings of the 13th International Conference on Availability, Reliability and Security. New York: ACM, 2018. Art. 41. P. 1-9. DOI: 10.1145/3230833.3232818.
9. Duque Anton S. D., Sinha S., Schotten H. D. (2019) Anomaly-based intrusion detection in industrial data with SVM and Random Forests. 2019 International Conference on Software, Telecommunications and Computer Networks (SoftCOM). Split: IEEE, 2019. P.1–6. DOI: 10.23919/SOFTCOM.2019.8903672.
10. Gómez Á. L. P., Maimó L. F., Celdrán A. H. et al. (2019) On the generation of anomaly detection datasets in industrial control systems. IEEE Access. 2019. Vol. 7. P. 177460-177473. DOI: 10.1109/ACCESS.2019.2958284.
11. Dehlaghi-Ghadim A., Helali Moghadam M., Balador A., Hansson H. (2023) Anomaly detection dataset for industrial control systems. IEEE Access. 2023. Vol. 11. P. 107866-107880. DOI: 10.1109/ACCESS.2023.3319379.
