論文の概要: A Generative Model Based Honeypot for Industrial OPC UA Communication

• arxiv url: http://arxiv.org/abs/2410.21574v1
• Date: Mon, 28 Oct 2024 22:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:39:45.913023
• Title: A Generative Model Based Honeypot for Industrial OPC UA Communication
• Title（参考訳）: 産業用OPC UA通信のための生成モデルに基づくハニーポット
• Authors: Olaf Sassnick, Georg Schäfer, Thomas Rosenstatter, Stefan Huber,
• Abstract要約: 本稿では,産業用OPC UA通信を模倣した生成モデルに基づくハニーポットを提案する。 我々は、生成機械学習モデルに基づくハニーポットの概念実証を行い、循環型産業プロセスのためのデータセットを公開する。 提案したハニーポットの実装は、制約のあるハードウェア上で効率的に動作し、低計算資源を必要とする。
• 参考スコア（独自算出の注目度）: 1.3216177247621483
• License:
• Abstract: Industrial Operational Technology (OT) systems are increasingly targeted by cyber-attacks due to their integration with Information Technology (IT) systems in the Industry 4.0 era. Besides intrusion detection systems, honeypots can effectively detect these attacks. However, creating realistic honeypots for brownfield systems is particularly challenging. This paper introduces a generative model-based honeypot designed to mimic industrial OPC UA communication. Utilizing a Long ShortTerm Memory (LSTM) network, the honeypot learns the characteristics of a highly dynamic mechatronic system from recorded state space trajectories. Our contributions are twofold: first, we present a proof-of concept for a honeypot based on generative machine-learning models, and second, we publish a dataset for a cyclic industrial process. The results demonstrate that a generative model-based honeypot can feasibly replicate a cyclic industrial process via OPC UA communication. In the short-term, the generative model indicates a stable and plausible trajectory generation, while deviations occur over extended periods. The proposed honeypot implementation operates efficiently on constrained hardware, requiring low computational resources. Future work will focus on improving model accuracy, interaction capabilities, and extending the dataset for broader applications.
• Abstract（参考訳）: 産業運用技術(OT)システムは、産業4.0時代のITシステムとの統合により、サイバー攻撃によってますます標的になってきている。 侵入検知システム以外に、ハニーポットはこれらの攻撃を効果的に検出することができる。 しかし、ブラウンフィールドシステムのための現実的なハニーポットを作成することは特に困難である。 本稿では,産業用OPC UA通信を模倣した生成モデルに基づくハニーポットを提案する。 LSTM(Long ShortTerm Memory)ネットワークを利用することで、ハニーポットは記録された状態空間軌跡から高度にダイナミックなメカトロニクス系の特性を学習する。 まず、生成機械学習モデルに基づくハニーポットの概念実証を行い、次に、循環的な産業プロセスのためのデータセットを公開します。 その結果, 生成モデルに基づくハニーポットは, OPC UA通信を介して, 循環型産業プロセスの再現が可能であった。 短期的には、生成モデルは安定かつ可塑性な軌道生成を示すが、逸脱は長期にわたって起こる。 提案したハニーポットの実装は、制約のあるハードウェア上で効率的に動作し、低計算資源を必要とする。 今後の作業は、モデルの正確性の向上、インタラクション機能、より広範なアプリケーションのためのデータセットの拡張に注力する予定である。

関連論文リスト

• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Controllable Image Synthesis of Industrial Data Using Stable Diffusion [2.021800129069459]
  本稿では,産業データに基づく汎用事前学習型生成モデルの再利用手法を提案する。 まず、モデルに新しい概念を学習させ、新しいデータ分布を学習させる。 そこで我々は,その生成過程の条件付けを強制的に行ない,よく定義されたトポロジ的特徴を満たす産業用画像を生成する。
  論文  参考訳（メタデータ） (2024-01-06T08:09:24Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Neuro-symbolic Empowered Denoising Diffusion Probabilistic Models for Real-time Anomaly Detection in Industry 4.0 [9.903035948408316]
  本稿では,産業4.0プロセスにおけるリアルタイム異常予測のための拡散モデルを提案する。 ニューロシンボリックアプローチを用いて、我々は産業をモデルに統合し、スマートマニュファクチャリングに関するフォーマルな知識を付加する。
  論文  参考訳（メタデータ） (2023-07-13T13:52:41Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。