降低监控控制与数据采集系统中的网络威胁：一种基于聚类数据平衡的增量深度学习方法

《Engineering Applications of Artificial Intelligence》：Mitigating cyber threats in supervisory control and data acquisition systems: An incremental deep learning approach with clustering-based data balancing

　　Sharmikha Sree Rajarathinam|Raja Kothandaraman印度金奈600089，SRM科学技术学院拉马普拉姆校区，计算机科学与工程系摘要监控与数据采集系统被广泛用于监测和控制诸如水处理厂、电网和制造系统等关键基础设施。然而，这些系统越来越容易受到网络攻击的威胁，从而导致运营中断和财务损失。目前用于监控与数据采集系统中网络攻击检测的基于人工智能的方法往往存在检测精度低、类别不平衡以及灾难性遗忘等问题。为解决这些问题，本研究提出了一种基于聚类的增量学习框架，用于处理类别不平衡的网络入侵检测。首先，采用K最近邻方法去除输入数据中的噪声样本。随后，引入一种基于聚类的数据平衡技术，通过将多数类样本分组并与少数类结合，从而改善模型性能。此外，还开发了一种增量深度信念网络，以提升监控与数据采集系统中的网络攻击检测能力。为缓解灾难性遗忘问题，该框架采用了自适应参数正则化机制，根据模型权重的重要性动态调整正则化参数，从而保留先前学习数据中的关键特征。这项人工智能研究将基于聚类的数据平衡与增量深度学习及自适应正则化相结合，而其工程应用则通过精确的网络攻击检测提升了监控与数据采集系统的可靠性和安全性。在多种数据集上的实验结果表明，所提出的框架具有更优异的性能，准确率为98.87%，召回率为98.55%，优于传统方法。引言监控与数据采集系统属于工业控制系统的一种，但它凭借将各种优秀功能整合于一体的特性而更具优势（Gaggero等人，2024年）。它被应用于通信、网络、数据、传感以及控制系统等多个领域，汇集了最先进的科技手段，用于监测和控制各行业的生产流程。监控与数据采集系统依赖于信息通信技术，由公共和私营企业共同管理和控制其关键系统。这类系统几乎可以管理所有供水、电力、交通和石油管道系统（He等人，2024年）。这些系统需要从阀门、泵类、传感器以及其他工业过程，如核能、水处理、空间站等领域获取并分析重要的运行数据。监控与数据采集系统由中央控制服务器和通过通信链路连接的现场设备组成（Upadhyay等人，2024年）。通常，监控与数据采集系统中的某些现场设备会使用Modbus、Profinet、分布式组件对象模型、以太网或互联网协议。监控与数据采集系统的重要优点在于其可扩展性、成本效益高、系统效率好、通信协议先进以及部署简便。尽管这些系统在不同领域具有重要意义，但它们仍然可能遭受各种网络攻击，如拒绝服务攻击、探测攻击和虫洞攻击（Ghazo和Kumar，2024年）。为了识别监控与数据采集系统中的未经授权访问和恶意行为，人们开发了多种入侵检测系统。准确的入侵检测系统对于监测和识别各种异常情况至关重要，包括试图非法获取敏感数据的企图（Khalid等人，2024年）。异常检测、基于特征的检测以及行为分析都是用于防止系统受损、降低重大运营中断、财务损失以及对公共安全构成威胁可能性的技术手段。通过运用机器学习和深度学习技术，可以提升监控与数据采集环境中的网络威胁检测能力。机器学习算法能够从历史数据中学习正常行为的模式，从而利用这些信息来检测未经授权的访问行为。包括决策树和支持向量机在内的机器学习模型可以根据标记过的数据集将流量分别分类为良性或恶意流量，而无监督学习方法则无需预先标记即可识别出异常模式（Priyadarsini和Sonekar，2025年）。不过，由于检测精度不高、训练时间较长以及过拟合等问题，机器学习方法的性能仍存在局限。与机器学习模型相比，包括循环神经网络、卷积神经网络和长短期记忆网络在内的深度学习技术在处理复杂且高维度的数据集时表现更好，因此更适用于检测监控与数据采集网络中的攻击模式（Mohammed等人，2024年）。然而，灾难性遗忘和类别不平衡问题仍给在监控与数据采集系统中应用这类模型带来了挑战（Oyucu等人，2023年）。此外，由于传感器精度不足和传输错误，监控与数据采集系统中的数据集还存在噪声问题，这会给深度学习技术的应用带来困难。本文提出了一种先进的基于聚类的增量学习框架，用于在监控与数据采集网络中实现精准的网络入侵检测。本文的主要贡献如下：•提出了一种新的基于聚类的增量学习框架，用于解决监控与数据采集系统中的类别不平衡网络入侵检测问题。•引入了一种基于K最近邻的预处理策略，有效去除了噪声样本，提升了数据质量和模型可靠性。•开发了一种基于聚类的数据平衡技术，通过将多数类样本分组并与少数类结合，解决了类别不平衡问题。•设计了一种增量深度信念网络模型，用于在不断变化的监控与数据采集环境中提升网络攻击检测性能。•引入了自适应参数正则化机制，通过在增量学习过程中保留重要的学习特征，从而缓解灾难性遗忘问题。•在多种数据集上进行的全面实验验证表明，所提出的框架具有更好的性能，其准确率和召回率均优于传统方法。本文的结构如下：第2节介绍了关于监控与数据采集系统攻击检测的现有研究及其面临的挑战。第3节阐述了所提出的CILF-INID技术及其架构。第4节展示了实验结果，第5节对本研究进行了总结。相关研究以下小节详细介绍了现有的监控与数据采集系统网络攻击检测技术。方法论本研究提出了一种新的CILF-INID技术，用于在监控与数据采集环境中实现精准的网络攻击检测。图1展示了所提出的CILF-INID技术的结构。研究中所使用的测试数据集包括新南威尔士大学2015年网络基准测试数据集、网络安全实验室数据库知识发现数据集、管道事故数据分析数据集、硬件在环水分配测试平台数据集，以及圣路易斯华盛顿大学2018年IIoT实验配置数据集。系统配置方面，使用Python 3.9语言及PyTorch库来实现所提出的CILF-INID技术，系统运行在Windows 11操作系统上，配置的硬件包括第11代17-11700处理器、GeForce RTX 3060显卡以及32GB内存。超参数设置表1列出了CILF-INID模型的各项超参数。合理的超参数选择有助于提升CILF-INID在监控与数据采集系统网络攻击检测任务中的性能和收敛速度。性能指标性能指标包括准确率、召回率以及精确率等。结论本文提出了一种新的CILF-INID技术，用于高效地检测和分类网络攻击。该技术通过基于K最近邻的噪声过滤机制，消除了因传感器精度不足而产生的不可靠样本，从而提升了数据质量及训练稳定性。此外，该技术还采用了基于聚类的数据平衡方法来解决类别不平衡问题。伦理声明无关。参与同意无关。出版同意无关。人类与动物权利本文未涉及任何由作者实施的人类或动物实验研究。资金支持无关。CRediT作者贡献说明Sharmikha Sree Rajarathinam：概念设计、方法论、指导。Raja Kothandaraman：软件开发、可视化。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。