基于直线混合信念分类器网络的水分配系统网络安全防护：高精度攻击检测与组件定位

针对水分配系统(WDSs)面临的网络物理攻击(CPAs)威胁，研究者提出新型直线混合信念分类器(RHBC)网络，通过均值-标准差缩放技术和直线变换实现数据降维，结合深度混合编码器信念网络(DHEBN)提升检测精度。实验基于BATADAL数据集，实现99%准确率和96%精确度，显著优于现有方法，为关键基础设施安全提供可扩展解决方案。

　　

随着城市化进程加速，水分配系统(WDSs)作为关键基础设施正面临日益严峻的网络物理攻击(CPAs)威胁。近年来，监控与数据采集(SCADA)系统和物联网(IoT)设备的广泛应用，虽提升了供水网络效率，却也引入了新的安全漏洞。传统检测方法常因计算效率低下、误报率高、响应速度慢等问题，难以应对复杂攻击场景，尤其缺乏对受攻击组件的精确定位能力。这一领域亟需创新解决方案以保障公共卫生、环境安全和基础设施稳定。

针对这一挑战，研究人员开发了直线混合信念分类器(RHBC)网络。该研究采用多阶段处理流程：首先通过均值-标准差缩放技术(Mean-Standard Deviation Scaling Technique)实现数据标准化；随后应用直线变换技术(Rectilinear Transformation Technique)降低数据维度，保留关键特征模式；最终构建深度混合编码器信念网络(DHEBN)进行攻击预测，有效捕捉非线性数据关系。实验采用WDS安全领域标准数据集BATADAL进行验证，将数据按8:2比例划分为训练集和测试集。

Utility of the study
研究证实RHBC网络可实现99%的检测准确率，显著降低误报率。模型设计支持大规模部署，能同时满足实时性和可扩展性需求，为关键基础设施提供可靠防护框架。

Proposed work
创新性体现在三方面：(1) 数据预处理阶段采用均值-标准差缩放解决原始数据噪声问题；(2) 直线变换技术有效处理高维数据挑战；(3) DHEBN通过深度特征提取提升小样本学习能力，克服传统机器学习局限性。

Results and discussion
在Intel Core i5-4440S平台测试显示，单次训练周期仅需46秒。性能对比表明，RHBC网络在检测精度(99%)、精确度(96%)等核心指标上全面超越现有方法，尤其擅长识别隐蔽性攻击。

Conclusion
该研究提出的RHBC网络通过创新性融合数据预处理与深度学习技术，建立了WDS安全防护新范式。方法论层面，均值-标准差缩放与直线变换的组合解决了高维噪声数据处理的行业难题；工程应用层面，DHEBN的组件定位能力为系统修复提供明确指引。研究成果发表于《Journal of Water Process Engineering》，为关键基础设施网络安全树立了新标杆。

CRediT authorship contribution statement
Pradeep Chandran负责方法论构建与概念设计，K.S. Sunil完成论文撰写与修订工作。研究者声明无利益冲突。该研究通过多学科技术融合，为应对日益复杂的网络物理安全威胁提供了重要技术储备。