A Collaborative DNN-Based Low-Latency IDPS for Mission-Critical Smart Factory Networks
Notice bibliographique
Résumé
Industrial Control Systems (ICSs) have entered an era of modernization enabled by the recent progress in Information Technologies (IT), particularly the Industrial Internet of Things (IIoT). This enables better automation of industrial processes but now exposes the ICSs to cyber-attacks that exploit the IIoT vulnerabilities. Thus, to ensure ICSs security, numerous research works have focused on designing Intrusion Detection and Prevention Systems (IDPSs), and deep learning has recently received considerable attention, as it has the potential to improve detection accuracy. However, most of the proposed deep learning solutions focus only on the model’s accuracy without considering latency, which is an essential requirement in many ICSs. The novelty of this paper is the time complexity analysis of Deep Neural Networks (DNNs) and the design of a low latency and robust deep learning-based collaborative IDPS. The proposed architecture employs two classification models. In the first model, a lightweight DNN is used to perform a binary classification, i.e., normal or attack, which ensures rapid intrusion detection. A second model ensures the identification of the type of attacks by performing a multi-class classification of the detected anomaly, which is handled by a robust and complex DNN in order to achieve higher accuracy. This research also proposes intrusion response measures to deal with detected attacks, first after the anomaly detection, and then after the identification of the attack type. An experimental evaluation has been provided using various detection features, datasets, DNN algorithms, and the results demonstrate the effectiveness of the proposed solution.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».