基于联邦扩散-挤压图模型的工业领域罕见网络攻击检测

《IEEE Transactions on Industrial Cyber-Physical Systems》：Industrial Rare Cyber Attack Detection Based on Federated Diffusion-Squeeze Graph Modeling

工业物联网安全中针对罕见网络攻击的检测效率提升研究。通过构建联邦扩散压缩图模型FedDSG，在边缘设备利用扩散生成模块平衡数据分布并构建特征图，结合信息瓶颈理论优化图结构，在中央服务器聚合全局模型并生成合成攻击数据以增强检测能力。实验验证表明该方法有效提升了罕见攻击检测的效率。

　　

摘要：

分布式学习在工业网络物理系统（ICPS）中的应用容易受到网络攻击，尤其是那些罕见的攻击。常见的数据驱动型网络攻击检测方法面临着数据不平衡的问题，导致异常特征的提取不足。为了提高复杂ICPS中罕见网络攻击检测的灵敏度，我们提出了一种联邦扩散-压缩图模型（FedDSG）。在每个边缘设备中，我们构建了一个基于扩散的生成模块，以平衡稀有的异常数据并构建特征图，从而保持数据的完整性和类型平衡。为了减轻额外的计算负担，我们建立了一个基于信息瓶颈（IB）的图结构检测模块，用于过滤掉冗余的拓扑特征并确定最佳的建模图。在中央服务器中，我们设计了一种聚合策略来整合全局FedDSG，同时全局生成模块生成合成网络攻击数据以重新训练全局检测模块。此外，我们使用自构建的仿真平台上的公共工业数据集验证了FedDSG的效果。结果表明，FedDSG提高了罕见网络攻击检测的效率。

引言

工业网络物理系统（ICPS）集成了计算、网络和物理过程，形成了能够实时监控和控制工业操作的互联系统[1]。ICPS利用传感器、执行器和通信技术来优化生产流程、提高效率并确保运行安全[2]。随着ICPS复杂性的增加，工业系统变得特别容易受到网络攻击。与外部网络的频繁交互增加了系统面临各种安全威胁的风险[3]。然而，网络攻击通常表现为罕见事件，这对传统方法的检测提出了重大挑战[4]。