The Model of Evaluating the Risk Potential for Critical Infrastructure Plants of Nuclear Power Plants

Kalashnikov, Andrey; Sakrutina, Ekaterina

doi:10.1109/mlsd.2018.8551910

Cited by 20 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…As the critical infrastructures need to communicate with each other for data exchange, it is necessary to form a network to connect all the infrastructures together, and this network is also called the critical infrastructure network. To improve its security, most of the critical infrastructure networks have lots of strict management measures [14], and some are even designed as an intranet that is isolated with the Internet.…”

Section: E Critical Infrastructure Networkmentioning

confidence: 99%

G-CAS: Greedy Algorithm-Based Security Event Correlation System for Critical Infrastructure Network

Wang

et al. 2021

Security and Communication Networks

View full text Add to dashboard Cite

The attacks on the critical infrastructure network have increased sharply, and the strict management measures of the critical infrastructure network have caused its correlation analysis technology for security events to be relatively backward; this makes the critical infrastructure network’s security situation more severe. Currently, there is no common correlation analysis technology for the critical infrastructure network, and most technologies focus on expanding the dimension of data analysis, but with less attention to the optimization of analysis performance. The analysis performance does not meet the practical environment, and real-time analysis is even more impossible; as a result, the efficiency of security threat detection is greatly declined. To solve this issue, we propose the greedy tree algorithm, a correlation analysis approach based on the greedy algorithm, which optimizes event analysis steps and significantly improves the performance, so the real-time correlation analysis can be realized. We first verify the performance of the algorithm through formalization, and then the G-CAS (Greedy Correlation Analysis System) is implemented based on this algorithm and is applied in a real critical infrastructure network, which outperformed the current mainstream products.

show abstract

Section: E Critical Infrastructure Networkmentioning

confidence: 99%

G-CAS: Greedy Algorithm-Based Security Event Correlation System for Critical Infrastructure Network

Wang

et al. 2021

Security and Communication Networks

View full text Add to dashboard Cite

show abstract

“…Полученные условия устойчивости могут быть применены для оценки рискового потенциала [21,22] реализации прогноза с использованием, например, вербально-числовой шкалы Харрингтона [23]. 7.…”

Section: заключениеunclassified

A question

2018

I Threw a Star in a Wine Glass

View full text Add to dashboard Cite

Цель исследования. Настоящая работа посвящена проблеме создания прогнозирующих моделей производственных процессов и условиям их устойчивости. Методы: Прогнозирующие модели активно применяются в современных системах управления, интеллектуальных системах информационной поддержки принятия решений, играют огромную роль в любой деятельности, связанной с процессами обработки сигналов, в том числе обнаружения аномалий различных технологических процессов и оценке рискового потенциала объектов критической информационной инфраструктуры, а также могут применяться в системах мониторинга угроз безопасности. Особый класс в ряду прогнозирующих моделей представляют собой модели, основанные на знаниях о протекающих процессах (например, закономерностях, извлекаемых из данных, накопленных в результате работы объекта). Результаты. В статье рассмотрена относящаяся к этому классу виртуальная «мгновенная» модель объекта, представленная с учетом кратно-масштабного разложения векторов входных воздействий и прогноза выхода объекта. Рассматриваемая модель дает прогноз без учета возможных будущих состояний прогнозного фона. Для исследования устойчивости виртуальной «мгновенной» модели разработан подход, основанный на вейвлет-анализе, который характеризуется уникальной возможностью детального частотного анализа во времени. На основе этого подхода получены условия устойчивости прогнозирующей модели с выделением условий для аппроксимирующей и детализирующей составляющих для четырех типов соотношений между глубиной памяти по входу и выходу. Заключение: В статье приведена прогнозирующая модель процесса нефтепереработки, в которой глубина памяти по входу больше глубины памяти по выходу. Показано, что точность прогноза виртуальной «мгновенной» модели выше, чем у линейной прогнозирующей модели при редких данных лабораторного анализа. Для построенной модели проиллюстрировано одно из условий устойчивости в зависимости от глубины разложения. На основе анализа полученных результатов можно сделать вывод о применимости полученных условий устойчивости для оценки рискового потенциала реализации прогноза развития процесса в системах мониторинга угроз безопасности. Ключевые слова: прогнозирующая модель; кратномасштабное вейвлет-преобразование; условия устойчивости; ассоциативный поиск; безусловный прогноз. Конфликт интересов: Автор декларирует отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

show abstract

“…Between 2016 and 2017, a breach of Shamoon's first version was used in conjunction with the Stone Drill malware in a series of large cyber-attacks [12] . Another big cyber-attack occurred in 2018 when three US gas pipeline companies stated that their digital communication networks had been knocked down for many days [13] . Cyber-attacks on Saipem, an Italian oil and gas company, were reported in October of the year [12] .…”

Section: Introductionmentioning

confidence: 99%

Cyber-attack detection and identification using deep learning

Tarab

2024

Int. J. Comput. Artif. Intell.

View full text Add to dashboard Cite

The quantity and complexity of cyber-attacks are both on the rise. For defenses to keep up with the ever-evolving threats, it will need ever-greater technological advances and fresh ideas. Traditional security methods like intrusion detection and deep packet inspection are still used and recommended, but they are not enough to keep up with the growing number of security threats. The widespread usage of APT's communication networks makes them more susceptible to assaults by cybercriminals, with possibly catastrophic outcomes. Critical infrastructures are monitored and controlled by Advanced Persistent Attack using real-time monitoring to identify aberrant behaviors of the system. The most existing Advanced Persistent Threat defenses were created to protect IT infrastructure and are seldom useful in more robust settings like factories. The primary objective of this thesis is to use various learning-based approaches to evaluate network traffic and sensory measures in real-time in order to identify and locate cyber-attacks. In order to achieve this, numerous learning-based models are presented, such as a self-tuning and scalable deep learning and classification model for cyber-attack site identification and an ensemble deep learning-based cyber-attack detection method for unbalanced Advanced Persistent Threat datasets. Two real-world advanced persistent threat datasets are used to assess the effectiveness of the suggested models. In terms of f1-score, recall, and accuracy, the models presented do better than the most recent research.

show abstract

The Model of Evaluating the Risk Potential for Critical Infrastructure Plants of Nuclear Power Plants

Cited by 20 publications

References 9 publications

G-CAS: Greedy Algorithm-Based Security Event Correlation System for Critical Infrastructure Network

G-CAS: Greedy Algorithm-Based Security Event Correlation System for Critical Infrastructure Network

A question

Cyber-attack detection and identification using deep learning

Contact Info

Product

Resources

About