14、网络物理系统中的网络攻击检测与公平聚类机器学习方法评估

网络物理系统中的网络攻击检测与公平聚类机器学习方法评估

1. 网络攻击检测研究概述

近年来，计算机系统在生活各方面广泛应用，这也使得网络犯罪分子设计出复杂攻击模式来攻击这些系统。保障关键任务系统（如供水系统）免受网络攻击，对社会和基础设施安全至关重要。许多此类系统与物联网和其他网络物理系统协同工作，易受攻击。机器学习在设计检测这些攻击的系统中越来越常用，尤其是聚类这一非监督学习技术。

1.1 相关研究回顾

早期研究中，众多计算机科学家提出了各种利用机器学习技术解决网络威胁狩猎问题的方法。网络攻击检测通常通过电力设备数据或测量值进行分组来实现，网络的不同安全和接触级别会衡量风险或攻击的参与程度。改进的基于模式的状态估计技术可用于观测网络攻击。众多研究提出了基于网络流量的入侵检测方法，例如有研究在SWat数据集上采用该方法，还有研究提出结合两种机器学习技术特征的增强支持向量机（SVM）方法，展示出较低的误报率，也有研究使用随机森林算法实现了94.0187%的网络攻击检测准确率。基于行为的机器学习方法可检测试图修改网络物理系统行为的异常行为或攻击，不仅能识别物理过程层发生的网络攻击，还能确定具体攻击类型。还有研究尝试将不同机器学习方法与入侵检测系统（IDS）结合，提高威胁识别的准确性。

1.2 数据集处理

SWat数据集包含77个特征和14,995个数据点，其中9521个为正常数据点，5474个为攻击数据点。为处理该数据集，去除了时间戳等不太关键的特征，并将标签特征（Target）标记为1表示攻击，0表示正常活动数据点。

1.2.1 特征选择

为降低数据集的整体维度，进行了特征提取过程。通过结合