machine learning SIEM water infrastructure

Улучшение SIEM для критической водной инфраструктуры SCADA с использованием машинного обучения

Эта работа направлена ​​на использование различных методов машинного обучения для обнаружения аномалий (включая сбои оборудования, саботаж и кибератаки) в водной инфраструктуре SCADA.

Используемый набор данных

Используемый набор данных опубликован здесь.

Цитирование

Если вы хотите цитировать статью, используйте следующий формат;

@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"
}

Используемые алгоритмы

• Логистическая регрессия

• Гауссово-наивный байесовский метод

• k-Ближайшие соседи

• Машина опорных векторов

• Деревья решений

• Случайные леса

Как его запустить:

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]

• Результаты предварительной обработки будут сохранены в клонированном каталоге как dataset_processed.csv.

• Выходные данные классификации разделены по папкам для каждого выходного сигнала (аномалия, затронутый компонент, сценарий и т. д.). Каждая папка содержит CSV-файл для каждого алгоритма со своей матрицей путаницы и файл CrossValidation.csv с объединенными результатами.