Anomaly Detection in Industry: Generating Data for Industrial Intrusion Detection and Detecting Attacks on Industrial Environments in Network- and Process-Data with Machine Learning and Time Series Methods

Beschreibung

Die Dissertation behandelt die Erkennung von Angriffen auf industrielle Anlagen und Organisationen. Dabei wird zunächst ein Fokus auf die Auswahl geeigneter Datenquellen gelegt, die genutzt werden können, um aussagekräftige Daten zu erlangen. Aus diesen Daten werden Eigenschaften abgeleitet, die genutzt werden können, um Angriffe als Anomalien zu erkennen. Auch werden Prozessdaten generiert und mit Angriffen versetzt. Die Eigenschaften der nach einem Aggregationsmodell zusammengefügten Daten werden abschließend mittels unterschiedlicher Methoden analysiert. Zeitreihen-Verfahren finden für Netzwerk- und Prozessdaten sinnvoll Anwendung, und Erweiterungen zum Matrix Profile-Algorithmus werden entworfen. Die Arbeit schließt mit einem konzeptionellen Rahmenwerk zur ganzheitlichen Angriffserkennung und Empfehlungen hinsichtlich der Implementierung in bestehende Systeme.

Autor*in

Simon Daniel Duque Anton

Themen in »Anomaly Detection in Industry: Generating Data for Industrial Intrusion Detection and Detecting Attacks on Industrial Environments in Network- and Process-Data with Machine Learning and Time Series Methods«

Anomalieerkennung Security Machine Learning

Stimmen zu »Anomaly Detection in Industry: Generating Data for Industrial Intrusion Detection and Detecting Attacks on Industrial Environments in Network- and Process-Data with Machine Learning and Time Series Methods«

Details

Link teilen