Description

---

Данная работа посвящена разработке нового подхода на основе глубокого обучения для реализации эффективной и гибкой системы обнаружения вторжений, использующей поведенческий подход и предназначенной в основном для критически важных инфраструктур и промышленных систем управления. Исходя из предположения, что моделирование нормального сетевого поведения промышленных систем управления является возможным и надежным, поскольку операции, выполняемые в этих системах, достаточно стационарны и повторяются, Конволюционные нейронные сети (CNN), метод глубокого обучения, используются на наборе данных NSL-KDD, эталонном наборе данных, используемом для реализации систем обнаружения вторжений. Представлена производительность подхода и проведено сравнение с некоторыми предыдущими работами. Используемые метрики включают процент правильной классификации, точность и ложные срабатывания, показывающие, что предложенный подход улучшает производительность предыдущих систем.