Endüstriyel kontrol sistemlerinde yenilikçi anomali tespit sistemlerinin incelenmesi

Basit Öğe Kaydı
dc.contributor.authorÇınar, Kerem
dc.contributor.authorİskefiyeli, Murat
dc.date.accessioned2024-06-13T20:13:56Z
dc.date.available2024-06-13T20:13:56Z
dc.date.issued2023
dc.departmentMeslek Yüksekokulu, Gedik Meslek Yüksekokulu, Bilgisayar Programcılığı Programı
dc.description.abstractEndüstriyel Kontrol Sistemleri (ICS) veya SCADA ağları, mimarileri tescilli donanım, yazılım ve protokollerden standart ve açık kaynaklara geçtikçe siber saldırıların hedefi haline gelmektedir. Büyük ölçekli sensör verileri, olağan dışı durumları ve siber saldırı olaylarını sürekli olarak izlenebilir kılmaktadır. Mevcut denetimsiz makine öğrenimi yaklaşımları, anormallikleri tespit etmek için sistemdeki sensörler arasındaki uzamsal-zamansal korelasyonu ve diğer bağımlılıkları tam olarak kullanmamıştır. Bu makale, Konvolüsyonel Sinir Ağı (CNN), Tekrarlayan Sinir Ağı (RNN), Stacked Autoencoder (SAE), Uzun Kısa Süreli Bellek gibi çeşitli mimarilerin SCADA ağlarındaki anomalilerin tespit edilmesinde kullanılan yaklaşımların incelenmesidir. Ayrıca makalede bu yöntemlerin incelenmesine ek olarak Uzun-Kısa Süreli-Bellek Tekrarlayan Sinir Ağlarını (LSTM-RNN) temel modeller (yani, üreteç ve ayrımcı) olarak kullanan, Üretken Çelişkili Ağlara (GAN'lar) dayalı denetimsiz çok değişkenli bir anomalli tespit yöntemini detaylı olarak sunmaktadır.
dc.description.abstractIndustrial Control Systems (ICS) or SCADA networks are becoming targets of cyber-attacks as their architectures move from proprietary hardware, software, and protocols to standard and open sources. Large-scale sensor data makes anomalies and cyber-attack events continuously monitored. Current unsupervised machine learning approaches have not fully exploited the spatiotemporal correlation and other dependencies between sensors in the system to detect anomalies. This article reviews the approaches used to detect anomalies in SCADA networks of various architectures such as Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Stacked Autoencoder (SAE), and Long Short-Term Memory. In addition to reviews of these methods in the article, an unsupervised multivariate anomaly detection method based on Generative Contradictory Networks (GANs) using Long-Short-Term-Memory Recurrent Neural Networks (LSTM-RNN) as basic models (i.e. generator and discriminator) is presented.
dc.identifier.doi10.46387/bjesr.1230141
dc.identifier.endpage46
dc.identifier.issn2687-4415
dc.identifier.issue1
dc.identifier.startpage34
dc.identifier.trdizinid1168792
dc.identifier.urihttps://doi.org/10.46387/bjesr.1230141
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1168792
dc.identifier.urihttps://hdl.handle.net/11501/804
dc.identifier.volume5
dc.indekslendigikaynakTR-Dizin
dc.institutionauthorÇınar, Kerem
dc.institutionauthorid0000-0002-6098-5521
dc.language.isotr
dc.relation.ispartofMühendislik Bilimleri ve Araştırmaları Dergisi (Online)
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectDerin Öğrenme
dc.subjectGAN
dc.subjectEndüstriyel Kontrol Sistemleri
dc.subjectMakine Öğrenimi
dc.subjectDeep Learning
dc.subjectGAN
dc.subjectIndustrial Control Systems
dc.subjectMachine Learning
dc.titleEndüstriyel kontrol sistemlerinde yenilikçi anomali tespit sistemlerinin incelenmesi
dc.title.alternativeInvestigation of innovative anomaly detection systems in industrial control systems
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Tam Metin / Full Text
Boyut:
905.05 KB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Gedik Meslek Yüksekokulu Koleksiyonu