サイバー物理システムにおける異常検知のためのディープラーニング技術

サイバーフィジカルシステム(CPS)は、製造、輸送、エネルギーなどのさまざまな産業における自動化を可能にし、デジタル制御システムと物理的プロセスを統合しています。これらのシステムのセキュリティと信頼性を確保することは、特に、相互接続と複雑になるため、特に重要です。重要な課題の一つは、障害やサイバー攻撃を示すことができる異常を検出しています。ディープラーニングは、大量のセンサーとログデータから複雑なパターンを学習することによって、この課題に対処する強力なツールを提供しています。この記事では、Comamalismの実装やComamalの実装に関する深い検討を詳しく説明します。

CPSの異常検知の理解

異常検知は、期待される行動に合致しないデータにおいてパターンを特定することを含みます。 CPSでは、異常なセンサー読み取り、予期しないシステム応答、または不規則なネットワークトラフィックとして現れることができます。早期検出は、障害を防ぎ、ダウンタイムを削減し、セキュリティを強化するのに役立ちます。 CPSの異常は、異常(突然のスパイク)、コンテキスト異常(特定の一時的なコンテキストで異常なデータポイント)、および集合的な異常(通常漏れの程度)に分類することができます。誤差は、特定の温度を低下させる場合には、または特定の温度を低下させる可能性があります。

異常検知のためのディープラーニングテクニック

ディープラーニングは、モデルが大きなデータセットから複雑なパターンを学ぶことを可能にすることで、異常検知に革命を起こしています。以下は、CPSで適用される重要な技術であり、それぞれ異なる強度とユースケースがあります。

オートエンコード

Autoencoder は入力データを再構築するために訓練されたニューラルネットワークです。再構築エラーがしきい値を超えたときに異常が特定されます。 CPS では、多変量センサーストリームの異常な検出のために広く使用されています。スペーサーオートエンコーダー、自動エンコーダーのデノワーズ、およびコンボリューショナルオートエンコーダは、ノイズや空間パターンの堅牢性を改善します。重要な利点は、オートエンコードが通常の動作や機能の決定を必要としないことです。通常の動作や、通常の動作を欠損するかどうかは、通常の動作や動作を欠損する必要ありません。

再発ニューラルネットワーク(RNN)と長期短期記憶(LSTM)

RNNは、シーケンシャルデータ用に設計されており、一時的な依存関係をモデル化できます。CPSでは、センサー読み取りフォームタイムシリーズのセンサー読み取りでは、RNNは将来の値を予測し、予測エラーのスパイクとして異常を検出します。LSTMとGRUのバリアントは、バニシングの勾配の問題を軽減し、長期依存症に有効になります。例えば、LSTMモデルは、実際のセンサー値が実際の読書から下がるかどうかを予測したときに異常を検出することができます。また、LSTMは、一般的なモデルと組み合わせるのパフォーマンスを向上させるために、一般的なモデルを組み合わせることも重要です。

関係ニューラルネットワーク(CNN)

CNNは空間的または気道的なデータでローカルパターンを学習する際のデータをエクセルに。CPSでは、1D CNNsプロセスのタイムシリーズのセンサーデータをスピークや振動などの機能を抽出し、2D CNNは、分光器や画像(例えば、サーマルカメラから)に適用することができます。CNNは、相互に効率的な機能と再構築ベースの異常検知に使用できます。それらはR(RV)と組み合わせて、ローカルの接続をキャプチャすることが多いです。

変種オートエンコード(VAE)

VAEsは、確率的レイトングスペースを学習することにより、標準的なオートエンコーダを拡張します。単一の再構成エラーの代わりに、VAEsは、再構築ログのようなログ依存とKLのダイバージェンスを計算し、不確実性を定量化する原則的な方法を提供します。これにより、まれまたは新しい異常を検出するのに効果的になります。 CPSでは、VAEsは、産業機械の微分劣化を検出し、異常な制御コマンドを識別するために適用されています。それらの遺伝子分析は、根本的なシナリオを引き起こす可能性があります。

ジェネレーション・アドバーサリアル・ネットワーク(GAN)

ガンズは、発電機と分岐器から構成され、逆に訓練された。異常検知のために、ガンズは正常なデータの分布を学習します。異常は、発電機が正確に再構築できないか、差別化器が偽物として分類されるデータポイントとして識別されます。アノガンと効率的なガン(EGBAD)は、一般的な変形です。ガンは、特に通常のデータが豊富で異常が少ない場合、欠陥の検出と攻撃識別のためにCPSで正常に使用されていますが、ガンは、GANは、まれに訓練されていないが、GANは、欠損な訓練を受けることができません。

グラフニューラルネットワーク(GNN)

多くのCPS(例えば、電力網、水分布ネットワーク)は、根本的なグラフ構造を持っています。GNNは、エッジに沿って情報を引き出すことによって、センサーとアクチュエータ間の依存性をモデル化することができます。グラフの連結ネットワーク(GCN)とグラフの注意ネットワーク(GAT)は、近所のパターンでノード表現と偏差を学習することによって異常を検出することができます。このアプローチは、調整された攻撃やカスケードの失敗を検出するための強力です。この課題は、システムの構築と大規模なネットワークを構築しています。

導入検討

CPSの異常検知に深い学習を実装するには、データ品質、モデルのトレーニング、リアルタイム処理の慎重な検討が必要です。主な要因は次のとおりです。

データ収集と加工

センサー、アクチュエータ、ネットワークログからの高品質、代表的なデータが不可欠です。正規化、不足している値の処理、ノイズフィルタリングなどの事前処理は、モデルの堅牢性を向上させます。データ集計(例えば、合成異常を加える)は、クラスの不均衡に対応できます。タイムシリーズのアライメントとスライドウィンドウのセグメンテーションは、シーケンシャルモデルにとって不可欠です。

機能工学

ディープラーニングは機能を自動的に学習できる一方で、ドメイン固有のエンジニアリングは性能を向上させることができます。統計的な瞬間、周波数ドメイン変換(FFT、ウェーブレット)、およびローリング統計などの機能により、有用な優先順位が提供されます。グラフベースのモデルでは、アダアクシブマトリクスとノード属性は慎重に定義する必要があります。

モデルトレーニングと検証

トレーニングは、ラベル付き異常の希少性による監視されていないまたは半監視されたスキームを使用することが多いです。一般的なアプローチには、一流の分類、再構築エラーの最小化、および予測エラーの最小化が含まれます。検証には、合成またはラベル付きの異常セットが必要です。精度、リコール、F1スコア、およびROC曲線の領域などのメトリックは標準です。断続的な検証は、データ漏洩を避けるために、一時的な注文を尊重しなければなりません。

リアルタイムの展開

CPSアプリケーションは、低レイテンシを必要とします。剪定、量子化、知識蒸留などのモデル圧縮技術は、エッジの展開に不可欠です。ハードウェアアクセラレーション(GPU、TPU、FPGA)と効率的なモデルアーキテクチャ(例、MobileNet、TinyML)は、リアルタイムの推論を可能にします。拡張学習によるアーキテクチャを合理することで、モデルをスクラッチから再トレーニングすることなく、コンセプトに適応させることができます。

評価メトリックと閾値

再建または予測しきい値を選択すると、直接偽陽性率に影響を与えます。適応性のあるしきい値(例えば、誤差の移動平均、動的パーセンシー)は、非静止環境の堅牢性を向上させることができます。さらに、(MTTD)を検出する時間などのメトリックは、動作評価に誤ったアラーム(MTBFA)の間の時間を意味します。

チャレンジと未来の方向性

ディープラーニングの約束にもかかわらず、課題は残っています。バランスの取れたデータセット(異常なもの)は、モデルが正常な行動に偏向されるように引き起こすことができます。インタープリタビリティは、主要なハードルです。エンジニアは、特に重要なインフラでモデルの出力を信頼する必要があります。 SHAP、LIME、および注意のビジュアライゼーションのような技術は採用されていますが、CPSへのさらなる適応が必要です。攻撃者は、攻撃者が、EVADEの検出を最終確認するインプットを制作することができます。行動は、CPSに関連したさまざまなモデルを変化させる(CPS)。

将来の方向は以下を含みます:

[]Federated Learning]] は、複数のCPSインストールを同時に保存するデータを共有することなく、プライバシー保護モデルを訓練します。
[] 説明可能なAI(XAI)[[ は、データポイントがフラグが付けられた理由に、オペレータに実用的な洞察を提供する。
[] 直観学習] は、モデルが壊滅的な忘れずに新しい通常のパターンに適応できるようにする。
物理ベースのモデルとの統合[(ハイブリッドアプローチ)は、既知のシステム動的でデータ駆動パターンを組み合わせ、一般化を改善し、データ要件を削減します。
]デバイス異常検知用AIをエッジし、通信のオーバーヘッドとレイテンシを削減します。

コンテンツ

ディープラーニング技術は、サイバー物理システムにおける異常検知のための強力な方法を提供し、早期の障害検出と改善されたセキュリティを可能にします。各技術は、オートエンコーダからニューラルネットワークへのアプローチまで、さまざまなCPSアーキテクチャとデータタイプに適したユニークな利点をもたらします。慎重にデータの準備、モデル検証、およびリアルタイムの展開戦略に関する成功した実装。通訳や広告などの課題は、継続的な研究は、より堅牢で信頼できるソリューションを約束します。CPSが今後も、より詳細なセキュリティ対策を継続し、より重要な役割を果たしていきます。

このトピックをさらに読み込むには、]ChalapathyとChawla (2019)]のNISTガイドの産業制御システムセキュリティ[]による包括的な調査を参照してください。のグラフベースの異常な検出。さらに、 [MLS会議]]]と最近の作業は、多くの場合、関連する電源グリッド[の]の]のグラフベースの異常な検出]。 [FLTS]セクション:[FLTS]セクション:[FLT:[FLTS]セクション:[F]セクション:[FLT:[FLT:[FLT:[F]セクション:[FLT:[F]セクション:[F]セクション:[FLT:[F]セクション:[F]セクション:[[[[[[[[[[[[[F]セクション]セクション]セクション]セクション]セクション]セクション]セクション]セクション:[[[[[[[[[[[[[