Autonome Anomalieerkennung in SCADA-Netzwerken

Diese Forschung befasst sich mit der wachsenden Anf lligkeit veralteter SCADA-Netzwerke in kritischen Infrastrukturen gegen ber hochentwickelten cyber-physischen Angriffen. Diese Systeme, die h ufig ungesicherte Protokolle wie Modbus und DNP3 verwenden, sind durch herk mmliche, signaturbasierte Intrusion-Detection-Systeme unzureichend gesch tzt. Diese Studie schl gt ein autonomes Framework zur Anomalieerkennung vor, das Deep Learning nutzt, um Bedrohungen in Echtzeit zu identifizieren. Durch die Analyse von Betriebsdaten erlernen Modelle wie der LSTM-Autoencoder normale Verhaltensmuster und melden Abweichungen mit hoher Genauigkeit. Das entwickelte System zeigt eine berlegene Leistung bei der Erkennung von getarnten Angriffen wie False Data Injection und Befehlsmanipulation, wodurch die Erkennungslatenz erheblich reduziert wird. Dieser datengesteuerte Ansatz bietet einen proaktiven Sicherheitsmechanismus, der die Systemresilienz ohne kostspielige Infrastruktur-Upgrades erh ht. Er stellt einen entscheidenden Schritt hin zu einer intelligenten, adaptiven Verteidigung dar, um wesentliche Dienste gegen sich entwickelnde Cyber-Bedrohungen zu sch tzen und die Betriebskontinuit t und Sicherheit zu gew hrleisten. Das Framework integriert kontinuierliche Lernfunktionen, die es erm glichen, sich an neue Bedrohungen und Verkehrsmuster anzupassen. Experimentelle Bewertung ber Simulationen hinweg.