基于改进卷积神经网络与区块链的工业物联网异常检测框架

《Scientific Reports》：A blockchain-enhanced CNN architecture for robust anomaly detection in industrial and IoT cyber-physical systems

　　

摘要

网络物理攻击和网络攻击在工业物联网（IIoT）环境中变得越来越普遍，这些攻击有可能扰乱运营、损害安全，并可能影响安全证据的可靠性。本研究提出了一种改进的卷积神经网络（mCNN）框架，通过引入区块链技术，以具备鲁棒性和可审计能力的功能来检测异常。该检测器基于以下构建模块：用于捕获工业过程数据中时间依赖关系的膨胀卷积、多分支特征提取、数据集自适应输入结构化，以及用于建模物联网流量中异构模式的紧凑分类器。检测到的异常会被转换为签名和哈希事件记录，并发送到许可的 Hyperledger Fabric 工作流中。他们在 SWaT 和 N-BaIoT 数据集上测试了该框架，并使用三个基线模型验证了结果：孤立森林、自编码器和 LSTM，并通过准确率、精确率、召回率、F1 分数和 AUC 值进行了比较。所提出的 CNN 是根据采用的协议设计的，在 SWaT 和 N-BaIoT 上获得的 F1 分数分别为 0.977 和 0.951。一项增量消融研究量化了膨胀卷积、多分支融合、窗口化和结构化输入表示的贡献。研究结果提倡在异构 IIoT 应用程序中使用定制的 CNN 模型进行异常检测，而区块链压力测试、对抗鲁棒性、受限设备剖析和模型特定可解释性则是未来需要评估的关键方面。