A deep learning framework for cyberattack detection and classification in Industrial Control Systems
Notice bibliographique
Résumé
The rapid integration of network-based control systems vulnerabilities within Industrial Control Systems (ICS) has increased exposure to sophisticated cyberattacks, especially in the chemical process industry. Adversaries exploit these systems by manipulating sensor data, disrupting operations, and compromising safety while remaining undetected by conventional fault detection mechanisms. Cyberattacks on critical infrastructure have become the new normal, with the World Economic Forum (WEF) ranking cyber threats as the seventh highest global risk in terms of likelihood over the next decade. Additionally, cybercrime has surged by 600% since COVID-19, highlighting the urgency of robust cybersecurity frameworks. This research introduces a hybrid cybersecurity framework combining an enhanced Typicality and Eccentricity Data Analytics (TEDA) algorithm with a Convolutional Neural Network (CNN) for real-time cyberattack detection and classification in ICS. The enhanced TEDA algorithm leverages a sliding window mechanism for adaptive statistical analysis and employs a characteristic model for detecting sophisticated cyber threats, enabling rapid anomaly identification and mitigation without requiring extensive historical data. Simultaneously, the CNN classifier accurately identifies attack types, facilitating timely mitigation strategies. Experimental validation on a laboratory-scale ICS demonstrates the framework’s effectiveness against various cyberattacks, including Min-Max, Surge, Ramp, and Replay attacks. Results highlight its adaptability, lightweight design, and real-time performance, making the proposed framework a scalable and deployable solution for enhancing ICS cybersecurity and operational resilience.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».