Resumen

El uso masivo de la tecnología de la información ha traído ciertos riesgos de seguridad al proceso de producción industrial. En los últimos años, los ataques ciberfísicos contra los sistemas de control industrial han ocurrido con frecuencia. La tecnología de detección de anomalías es un medio técnico esencial para garantizar la seguridad de los sistemas de control industrial. Teniendo en cuenta las limitaciones de los métodos tradicionales y para facilitar el análisis y la localización oportuna de anomalías, este estudio propone una solución basada en el método de aprendizaje profundo para la detección de anomalías de tráfico industrial y la clasificación de ataques. Utilizamos un modelo de representación de aprendizaje profundo de red neuronal convolucional como modelo de detección. Los datos originales unidimensionales se mapean utilizando el método de mapeo de características para hacerlos adecuados para el procesamiento del modelo. El método de aprendizaje profundo puede extraer automáticamente características críticas y lograr una clasificación precisa de los ataques. Realizamos una evaluación del modelo utilizando datos reales de

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Tecnología de la información; Riesgos de seguridad; Proceso de producción industrial; Ataques ciberfísicos; Tecnología de detección de anomalías; Método de aprendizaje profundo
• Keywords:Information technology; Security risks; Industrial production process; Cyber-physical attacks; Anomaly detection technology; Deep learning method