شناسایی حملات سایبری در سیستم‌های کنترل صنعتی با استفاده از تحلیل اجزای اصلی افزوده و شبکه عصبی پیچشی (همگشتی) مبتنی بر هایپرگراف (‏EPCA – HG – CNN)

عملیات خودکار سیستم‌های کنترل صنعتی (‏ICSs)‏به شدت بر روی دستگاه‌ها، سنسورها و عملگرهای مرتبط که توسط سیستم‌های کنترل نظارتی و مالکیت داده (‏SCADA)‏نظارت و کنترل می‌شوند، تکیه می‌کنند. علی‌رغم مزایای متعدد یکپارچه کردن تکنولوژی‌های شبکه با سیستم‌های SCADA، ICS ها بیشتر مستعد حملات سایبری هستند که می‌توانند عملیات ایمن زیرساخت‌های بحرانی (‏CIS را مختل کنند. بنابراین، طراحی و توسعه یک روش تشخیص حمله کارآمد به یک کار پیچیده تبدیل شده‌است. از این رو، این تحقیق یک تکنیک تشخیص ناهنجاری مبتنی بر ابر گراف با تحلیل مولفه اصلی تقویت‌شده و شبکه عصبی پیچشی (‏EPCAHG – CNN)‏برای شناسایی رفتارهای انحرافی چنین سیستم‌هایی ارائه می‌دهد. الگوریتم EPCA – HG – CNN پیشنهادی شامل دو مرحله است: (‏۱)‏کاهش ابعادی با استفاده از PCA پیشرفته و (‏۲)‏کشف بی قاعدگی با استفاده از شبکه عصبی پیچشی مبتنی بر هایپرگراف {اَبرگراف یا فراگراف}. بعلاوه، عملکرد EPCA – HG – CNN با سیستم مدیریت آب ایمن SuTD (‏SWT)‏ارزیابی می‌شود و نتایج تجربی نشان می‌دهد که EPCA – HG – CNN پیشنهادی رفتار غیرعادی داده‌ها با نرخ تشخیص بالا، تشخیص‌ه

true