Sniffing Serial-Based Substation Devices: A Complement to Security-Centric Data Collection
Notice bibliographique
Résumé
One of the key aids in ensuring security in the substation is data collection. Collected substation data can be applied to data analytics to infer the substation's security status. However, most of the data collected are measurement logs and Ethernet-based traffic data. The industrial network market share shows that serial-based protocols still exist, and it will take some time before they are phased out. Also, data from serial-based traffic is sourced mostly from SCADA; thus, when SCADA is compromised, the data inferred from it can be misleading. To the best of our knowledge, there is no work on data collection involving serial-based protocols such as DNP3 serial, Modbus-RTU and IEC 60870-5-101; hence, we propose a custom serial sniffer that captures data from serial devices and logs them. Such complementary data can be transmitted to a Security Operations Centre (SOC) to provide a second view to confirm the substation's status. Our bench-marking of the serial sniffer shows negligible utilization of CPU and memory resources for DNP3 serial, Modbus-RTU and IEC 60870-5-101; and we can conclude that it is stable across all protocols. Our sniffer code can be embedded into serial-to-Ethernet protocol converters due to its lightweight nature. Our work can complement data collection within substations until the migration to Ethernet-based protocols is complete.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».