Комбинированный подход к выявлению аномалий в беспроводных сенсорных сетях на примере системы управления водоснабжением

Алексей Викторович Мелешко; Антон Андреевич Шулепов; Василий Алексеевич Десницкий; Евгения Сергеевна Новикова

doi:10.32603/2071-2340-2021-1-59-68

Алексей Викторович Мелешко Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук» (СПб ФИЦ РАН), Санкт-Петербургский институт информатики и автоматизации Российской академии наук
Антон Андреевич Шулепов Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), ул. Профессора Попова, 5, корп. 3, 197376, Санкт-Петербург, Россия
Василий Алексеевич Десницкий Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук», Санкт-Петербургский институт информатики и автоматизации Российской академии наук, 14-я линия В.О., д. 39, 199178, Санкт-Петербург, Россия
Евгения Сергеевна Новикова Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук», Санкт-Петербургский институт информатики и автоматизации Российской академии наук, 14-я линия В.О., д. 39, 199178, Санкт-Петербург, Россия

DOI: https://doi.org/10.32603/2071-2340-2021-1-59-68

Ключевые слова: аномалия, детектирование, машинное обучение, визуальный анализ

Аннотация

Статья описывает подход к выявлению аномалий применительно к беспроводным сенсорным сетям (WSN). Он основан на комбинировании методов визуального анализа данных и методов машинного обучения. Данный подход апробирован на примере WSN управления водоснабжением. Для проверки разработаны программно-аппаратный прототип системы и программная модель для генерации необходимых наборов данных для формирования моделей детектирования и их тестирования. Проведенные эксперименты показали высокое качество детектирования, что показывает применимость комбинированного подхода для выявления аномалий к использованию на практике

Биографии авторов

Алексей Викторович Мелешко, Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук» (СПб ФИЦ РАН), Санкт-Петербургский институт информатики и автоматизации Российской академии наук

Младший научный сотрудник СПб ФИЦ РАН, meleshko.a@iias.spb.su

Антон Андреевич Шулепов, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), ул. Профессора Попова, 5, корп. 3, 197376, Санкт-Петербург, Россия

Младший научный сотрудник Лаборатории проблем ком- пьютерной безопасности СПб ФИЦ РАН, meleshko.a@iias.spb.su

Василий Алексеевич Десницкий, Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук», Санкт-Петербургский институт информатики и автоматизации Российской академии наук, 14-я линия В.О., д. 39, 199178, Санкт-Петербург, Россия

Кандидат технических наук, доцент, старший на- учный сотрудник Лаборатории проблем компьютерной безопасности СПб ФИЦ РАН, desnitsky@comsec.spb.ru

Евгения Сергеевна Новикова, Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук», Санкт-Петербургский институт информатики и автоматизации Российской академии наук, 14-я линия В.О., д. 39, 199178, Санкт-Петербург, Россия

Кандидат технических наук, доцент, старший науч- ный сотрудник Лаборатории проблем компьютерной безопасности СПб ФИЦ РАН, novikova@comsec.spb.ru

Литература

D. Levshun, D. Gaifulina, A. Chechulin, and I. Kotenko, “Problemnye voprosy informatsionnoi bezopasnosti kiberﬁzicheskikh sistem” [Problematic Issues of Information Security of Cyber- Physical Systems], Informatics and automation, vol. 19, no. 5, pp. 1050–1088, 2020 (in Russian); doi: 10.15622/ia.2020.19.5.6

J. Shin, Y. Baek, Y. Eun, and S. H. Son, “Intelligent sensor attack detection and identiﬁcation for automotive cyber-physic systems,” in Proc. 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, USA, 2017, pp. 1–8; doi: 10.1109/SSCI.2017.8280915

R. Wang, H. Song, Y. Jing, K. Yang, Y. Guan, and J. Sun, “A Sensor Attack Detection Method in Intelligent Vehicle with Multiple Sensors,” in Proc. 2019 IEEE International Conference on Industrial Internet (ICII), Orlando, FL, USA, 2019, pp. 219–226; doi: 10.1109/ICII.2019.00047

J. Inoue, Y. Yamagata, Y. Chen, C. M. Poskitt, and J. Sun, “Anomaly Detection for a Water Treatment System Using Unsupervised Machine Learning,” in Proc. 2017 IEEE International Conference on Data Mining Workshops (ICDMW), New Orleans, LA, USA, 2017, pp. 1058–1065; doi: 10.1109/ICDMW.2017.149

M. Raciti, J. Cucurull, and S. Nadjm-Tehrani, “Anomaly Detection in Water Management Systems,” J. Lopez, R. Setola, and S. D. Wolthusen, eds., Critical Infrastructure Protection, Heidelberg, Berlin: Springer, vol. 7130, pp. 98–119, 2012; doi: 10.1007/978-3-642-28920-0_6

E. Novikova, M. Bestuzhev, and I. Kotenko, “Anomaly Detection in the HVAC System Operation by a RadViz Based Visualization-Driven Approach,” S. Katsikas et al., eds., in Computer Security. CyberICPS 2019, SECPRE 2019, SPOSE 2019, ADIoT 2019, vol. 11980, 2020, pp. 402–418; doi: 10.1007/978-3-030- 42048-2_26

D. Herr, F. Beck, and T. Ertl, “Visual Analytics for Decomposing Temporal Event Series of Production Lines,” in Proc. 22nd International Conference Information Visualisation (IV), Fisciano, Italy, 2018, pp. 251–259; doi: 10.1109/iV.2018.00051

Y. Shi, Y. Liu, H. Tong, J. He, G. Yan and N. Cao, “Visual Analytics of Anomalous User Behaviors: A Survey,” IEEE Transactions on Big Data, vol. 14, no. 8, pp. 1–20, 2015; doi: 10.1109/TBDATA.2020.2964169

S. Y. Ji, B. K. Jeong, and D. H. Jeong, “Evaluating visualization approaches to detect abnormal activities in network traﬃc data,” Int. J. Inf. Secur., vol. 20, 331–345, 2020; doi: 10.1007/s10207-020-00504-9

A. Meleshko, V. Desnitsky, and I. Kotenko, “Machine learning based approach to detection of anomalous data from sensors in cyber-physical water supply systems,” IOP Conference Series: Materials Science and Engineering, vol. 709, pp. 1–7, 2019.

L. J. P. van der Maaten and G. E. Hinton, “Visualizing High-Dimensional Data Using t-SNE,” Journal of Machine Learning Research, vol. 9, no. 11, pp. 2579–2605, 2008.