Edge-Deployable ML Agent for Real-Time Tactic and Technique Attribution in Microgrid Security
Notice bibliographique
Résumé
The proliferation of microgrids increases exposure to advanced persistent threats (APTs) that evolve through structured adversarial stages defined by tactics and techniques. While the MITRE ATT&CK for ICS framework offers a comprehensive threat taxonomy, its integration into edge-level Intrusion Detection Systems (IDSs) remains limited. Existing IDSs mainly perform binary classification (benign vs. malicious) and depend heavily on centralized Security Operations Centers (SOCs) for contextual analysis and response. This work proposes a machine learning-based agent for real-time attribution of adversarial tactics and techniques, leveraging the MITRE ATT&CK framework. Designed as an add-on to existing IDSs, the agent ingests alerts in the standardized Intrusion Detection Message Exchange Format (IDMEF). Its effectiveness is validated through integration with a realistic microgrid environment, supported by real-time experimental data and edge deployment on a Raspberry Pi. A comparative study of classifiers, SVM, Random Forest, Decision Tree, Naive Bayes, and XGBoost has been conducted, with feature selection optimized using Binary Particle Swarm Optimization (BPSO). XGBoost achieved the highest classification accuracy of 98% with an inference latency of 15 ms, and minimal CPU (16.2%) and memory (1.7%) utilization, demonstrating its suitability for resource-constrained edge devices. The results are visualized in Grafana, enabling proactive, tactic-aware defense and improving local situational awareness while reducing depen dency on cloud-based SOCs.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».