Klasifikace anomálií v průmyslových sítích pomocí hlubokého učení a doplňkových senzorických dat

Abstract

Tato práce se zaměřuje na problematiku klasifikace anomálií v průmyslových sítích. V práci jsou anomálie rozřazeny do kategorií na bezpečnostní, provozní a servisní anomálie. Dále je v práci představena metoda klasifikace s využitím pokročilé klasifikace anomálií využívající hluboké neuronové sítě. Tato část slouží pro klasifikaci známých anomálií v dané průmyslové síti, resp. vstupní datové sadě. Dále binární klasifikace je zaměřena na normální provoz s cílem rozpoznávat neznámé anomálie s využitím OneClassSVM. Pro úspěšnou klasifikaci jsou definovány jednotlivé datové zdroje, kde je využíváno i dodatečných senzorických dat. Jedná se o data, která pocházejí z jednotlivých senzorů se zaměřením na komponenty průmyslové sítě. Navržená metoda byla následně validována na vytvořené datové sadě vycházející z definovaných scénářů se zaměřením na jednotlivé kategorie anomálií v průmyslových sítích.This thesis focuses on the issue of anomaly classification in industrial networks. In this thesis, anomalies are classified into security, operational, and service anomalies. Additionally, the thesis presents a classification method using advanced anomaly classification utilizing deep neural networks. This part serves to classify known anomalies in a given industrial network or input data set. Furthermore, binary classification focuses on normal operation with the purpose of recognizing unknown anomalies using the OneClassSVM. For successful classification, individual data sources are defined, where additional sensor data is also used. This is data that comes from individual sensors focusing on industrial network components. The proposed method was then validated on a created dataset based on defined scenarios, focusing on individual categories of anomalies in industrial networks.