Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F19%3A63522682" target="_blank" >RIV/70883521:28140/19:63522682 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-030-30329-7_28" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-030-30329-7_28</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment
Popis výsledku v původním jazyce
The recent evolution in cybersecurity shows how vulnerable our technology is. In addition, contemporary society becoming more reliant on "vulnerable technology". This is especially relevant in case of critical information infrastructure, which is vital to retain the functionality of modern society. Furthermore, the cyber-physical systems as Industrial control systems are an essential part of critical information infrastructure; and therefore, need to be protected. This article presents a comprehensive optimization methodology in the field of industrial network anomaly detection. We introduce a recurrent neural network preparation for a one-class classification task. In order to optimize the recurrent neural network, we adopted a genetic algorithm. The main goal is to create a robust predictive model in an unsupervised manner. Therefore, we use hyperparameter optimization according to the validation loss function, which defines how well the machine learning algorithm models the given data. To achieve this goal, we adopted multiple techniques as data preprocessing, feature reduction, genetic algorithm, etc.
Název v anglickém jazyce
Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment
Popis výsledku anglicky
The recent evolution in cybersecurity shows how vulnerable our technology is. In addition, contemporary society becoming more reliant on "vulnerable technology". This is especially relevant in case of critical information infrastructure, which is vital to retain the functionality of modern society. Furthermore, the cyber-physical systems as Industrial control systems are an essential part of critical information infrastructure; and therefore, need to be protected. This article presents a comprehensive optimization methodology in the field of industrial network anomaly detection. We introduce a recurrent neural network preparation for a one-class classification task. In order to optimize the recurrent neural network, we adopted a genetic algorithm. The main goal is to create a robust predictive model in an unsupervised manner. Therefore, we use hyperparameter optimization according to the validation loss function, which defines how well the machine learning algorithm models the given data. To achieve this goal, we adopted multiple techniques as data preprocessing, feature reduction, genetic algorithm, etc.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/VI20172019054" target="_blank" >VI20172019054: Analytický programový modul pro hodnocení odolnosti v reálném čase z hlediska konvergované bezpečnosti</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Systems and Computing (Vol. 1)
ISBN
978-3-030-30328-0
ISSN
2194-5357
e-ISSN
—
Počet stran výsledku
14
Strana od-do
306-319
Název nakladatele
Springer Verlag
Místo vydání
Berlín
Místo konání akce
Zlín
Datum konání akce
3. 10. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—