ارزیابی الگوریتم های یادگیری ماشین با استفاده از حملات decision-based در سیستم کنترل صنعتی

ارزیابی الگوریتم های یادگیری ماشین با استفاده از حملات decision-based در سیستم کنترل صنعتی

نرگس بابادی1

1) کارشناسی ارشد مهندسی برق، گرایش کنترل، دانشگاه امیرکبیر، تهران، ایران.

کد IOI مقاله : XDHZ-FCABF
محل انتشار : سومین کنفرانس مکانیک،مهندسی برق و کامپیوتر والنسیا اسپانیا(mecconf.com)
چکیده :
    تعداد فزاینده ای از سیستم های تشخیص نفوذ (IDS) از تکنیک های هوش مصنوعی (AI)، مانند الگوریتم های یادگیری ماشین (ML)، برای طبقه بندی داده های سالم و مخرب به منظور شناسایی حملات سایبری استفاده می‌کنند. با این حال، در الگوریتم های یادگیری ماشین خود مورد تهدید نوعی جدید از حملات سایبری به نام حملات یادگیری ماشین (AML) میتوانند قرار گیرند که در مرحله آموزش و/ یا مرحله آزمایش میتوانند اعمال شوند. هدف این حملات رخداد اشتباه در طبقه بندی و تخریب عملیات یادگیری است. استفاده از IDS در سیستم های کنترل صنعتی (ICS) ، آن ها را آسیب پذیرتر از قبل می کند و در نتیجه می تواند عواقب مخربی را برای فرایند و همچنین کاربران آن ایجاد کند. حملات AML را می توان به دو دسته مختلف تقسیم کرد: حملات Black-box و White-box. ادعا می‌شود که که حملات Black-box عملی تر و مشابه موقعیت های واقعی است. حملات مبتنی بر تصمیم مهمترین حمله هایی هستند که نیازی به دانش مربوط به مجموعه داده ها یا پارامترهای مدل ML ندارند. در این مقاله چگونگی تأثیر داده ها ی تحت حملات Decision boundary و HopSkipJump Attack ، که دو دسته مهم از حملات Decision-based هستند ، بر الگوریتم های تحت نظارت بررسی شده است. برای این منظور ، از یک مجموعه داده سیستم قدرت برای طبقه بندی رویدادها با استفاده از Random Forest ، Adaboost ، حافظه کوتاه مدت (LSTM) و یک نوع الگوریتم طبقه بندی کننده مبتنی بر درخت تصمیم در زمان وقوع حملات مبتنی بر تصمیم استفاده شد. در مرحله آزمایش در طی فرایند یادگیری، نمونه های تحت حمله اعمال شده اند. پس از آن ، نتیجه گیری شد که LSTM قوی ترین الگوریتم تحت حملات تصمیم گیری است، زیرا دقت این الگوریتم در شرایط مختلف از 11٪ تا 13٪ کاهش می یابد در حالی که، این دقت در سایر الگوریتم ها به طور قابل توجهی کاهش می یابد.

کلمات کلیدی : یادگیری ماشین مخرب سیستم کنترل صنعتی حملات بر مبنای تصمیم سیستم تشخیص نفوذ یادگیری ماشین