Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Niniejsze badanie podejmuje problem rosnącej podatności starszych sieci SCADA w infrastrukturze krytycznej na wyrafinowane ataki cyber-fizyczne. Systemy te, często korzystające z niezabezpieczonych protokołów, takich jak Modbus i DNP3, są słabo chronione przez tradycyjne wykrywanie włamań oparte na sygnaturach. Studium proponuje autonomiczne ramy wykrywania anomalii wykorzystujące głębokie uczenie do identyfikacji zagrożeń w czasie rzeczywistym. Poprzez analizę danych operacyjnych, modele takie jak LSTM-Autoencoder uczą się normalnych wzorców zachowań i z dużą dokładnością sygnalizują odchylenia. Opracowany system wykazuje doskonałą skuteczność w wykrywaniu ukrytych ataków, takich jak wstrzykiwanie fałszywych danych i manipulacja komendami, znacząco redukując opóźnienia w wykrywaniu. To podejście oparte na danych zapewnia proaktywny mechanizm bezpieczeństwa, zwiększając odporność systemu bez kosztownej modernizacji infrastruktury. Stanowi ono krytyczny krok w kierunku inteligentnej, adaptacyjnej obrony w celu zabezpieczenia kluczowych usług przed ewoluującymi cyberzagrożeniami, zapewniając ciągłość operacyjną i bezpieczeństwo. Ramy te integrują możliwości ciągłego uczenia się, co pozwala na adaptację do nowych zagrożeń i wzorców ruchu. Ocena eksperymentalna przeprowadzona na symulacjach.