machine learning SIEM water infrastructure

Verbesserung des SIEM für kritische SCADA-Wasserinfrastrukturen durch maschinelles Lernen

Diese Arbeit zielt darauf ab, verschiedene Techniken des maschinellen Lernens zur Erkennung von Anomalien (einschließlich Hardwarefehlern, Sabotage und Cyberangriffen) in der SCADA-Wasserinfrastruktur einzusetzen.

Verwendeter Datensatz

Der verwendete Datensatz wird hier veröffentlicht

Zitat

Wenn Sie den Artikel zitieren möchten, verwenden Sie bitte das folgende Format;

@InProceedings{10.1007/978-3-030-12786-2_1,
author="Hindy, Hanan and Brosset, David and Bayne, Ethan and Seeam, Amar and Bellekens, Xavier",
editor="Katsikas, Sokratis K. and Cuppens, Fr{'e}d{'e}ric and Cuppens, Nora and Lambrinoudakis, Costas and Ant{'o}n, Annie and Gritzalis, Stefanos and Mylopoulos, John and Kalloniatis, Christos",
title="Improving SIEM for Critical SCADA Water Infrastructures Using Machine Learning",
booktitle="Computer Security",
year="2019",
publisher="Springer International Publishing",
address="Cham",
pages="3--19"
}

Verwendete Algorithmen

• Logistische Regression

• Gaußscher naiver Bayes

• k-Nächste Nachbarn

• Unterstützt Vektormaschine

• Entscheidungsbäume

• Zufällige Wälder

So führen Sie es aus:

Clone this repository
run preprocessing.py [dataset log path]
run classification.py [data processed file path]
run classification-with-confidence.py [data processed file path]

• Die Ausgabe der Vorverarbeitung wird im geklonten Verzeichnis als „dataset_processed.csv“ gespeichert.

• Die Klassifizierungsausgaben sind für jede Ausgabe (Anomalie, betroffene Komponente, Szenario usw.) in Ordner unterteilt. Jeder Ordner enthält eine CSV-Datei für jeden Algorithmus mit seiner Verwirrungsmatrix und eine Datei „CrossValidation.csv“ mit den kombinierten Ergebnissen.