Усовершенствованная глубокая модель CNN-LSTM для IDS SCADA с само-похожестью по параметру Херста

Системы диспетчерского управления и сбора данных (SCADA) имеют ключевое значение для современных промышленных процессов, и их защита от растущих киберугроз представляет собой серьёзную задачу. В данном исследовании предложен усовершенствованный метод повышения безопасности SCADA с использованием модифицированной гибридной глубокой нейронной модели. Ключевой инновацией является интеграция параметра Херста само-похожести в набор данных наряду с моделью сверточной нейронной сети и долгой краткосрочной памятью (CNN-LSTM), что существенно повышает возможности системы обнаружения вторжений (IDS). Параметр Херста, количественно характеризующий само-похожесть в наборе данных, играет важную роль в обнаружении аномалий. Наш глубокий анализ набора данных CICIDS2017 проясняет современные модели атак и поведение сетевого трафика. Архитектура CNN-LSTM была существенно изменена за счёт добавления нескольких сверточных слоёв с постепенно увеличивающимся числом фильтров, нормализации батчей для стабильного обучения и слоёв dropout для регуляризации. Для снижения размерности и оптимизации набора данных применён метод главных компонент (PCA). Результаты тестирования демонстрируют превосходные показатели модели с учётом параметра Херста: точность 95.21% и полнота (recall) 82.59%, что значительно превосходит стандартную модель. Включение параметра Херста представляет собой существенный прогресс в выявлении новых угроз, а архитектурные улучшения CNN-LSTM обеспечили более надёжное и точное обнаружение вторжений в средах промышленного управления.