ROSpace: 基于 ROS2 的网络物理系统入侵检测数据集
内容提要
该文综述网络入侵检测研究，涵盖ICS-Flow和TII-SSRC-23数据集，用于训练工业控制系统与物联网攻击检测模型；采用随机过采样、堆叠特征嵌入、主成分分析、SVM-SMOTE等方法处理数据不平衡与降维；并研究对抗样本攻击、开放集识别及集成学习，以提升检测准确率和未知攻击识别能力。
延伸解读
数据集演进：从传统基准到现代场景
文章提及多个数据集，如ICS-Flow、TII-SSRC-23、UNSW-NB15、CIC-IDS-2017/2018等。ICS-Flow旨在提供更真实的工业控制系统数据，TII-SSRC-23则针对现有数据集在多样性和当代网络环境一致性上的不足。这些数据集的演进反映了入侵检测研究对数据真实性和时效性的更高要求，读者可关注不同数据集适用的场景差异。
数据不平衡与降维的常用技术
针对入侵检测中常见的数据不平衡问题，文章介绍了随机过采样、SVM-SMOTE等过采样技术，以及基于聚类结果的堆叠特征嵌入和主成分分析（PCA）降维方法。这些技术旨在提升模型对少数类攻击的检测能力，并处理高维数据。读者可注意这些方法在不同数据集上的适用性和效果差异。
对抗攻击与开放集识别：安全新挑战
文章涉及对抗样本攻击和开放集识别问题。对抗样本可隐藏真实攻击，例如在Secure Water Treatment系统中，攻击成功率因数据包含离散或连续变量而异。开放集识别则关注检测未知攻击，有研究利用图像化报文表示和子聚类技术提升未知攻击检测率。这些方向表明入侵检测需应对不断演变的威胁。
模型与评估方法的多样性
文章提到多种模型，包括决策树、随机森林、神经网络、集成学习和无监督表示学习等，并在不同数据集上评估。评估方法涉及Friedman和Nemenyi测试等统计检验，以比较分类器性能。这种多样性说明没有单一模型适用于所有场景，实际应用中需根据数据特性和需求选择合适方法。
Q&A
ICS-Flow数据集是什么？它有什么特点？
ICS-Flow是一个新的ICF网络数据集，旨在为机器学习算法提供更加真实、有效的数据，用于检测工业控制系统（ICSs）的安全隐患与攻击。作者通过实现决策树、随机森林和神经网络等多个模型，证明了该数据集可用于训练入侵检测的机器学习模型。
TII-SSRC-23数据集解决了哪些问题？
TII-SSRC-23是一个新颖且全面的数据集，旨在解决现有数据集在多样性和与当代网络环境的一致性方面的挑战。通过广泛实验，它为监督和无监督入侵检测方法建立了坚实的基准，并提供了对入侵检测任务关键特征的重要见解，从而推动入侵检测模型在网络安全快速变化的领域中的进展和适应性。
如何处理网络入侵检测中的数据不平衡问题？
文章中提到多种处理数据不平衡的方法：使用随机过采样处理数据不平衡；使用SVM-SMOTE过采样技术缓解4类分类中的数据不平衡问题；以及基于聚类结果进行堆叠特征嵌入。这些方法在多个基准数据集上被证明有效。
有哪些方法可以提升入侵检测模型对未知攻击的识别能力？
文章介绍了一种针对物联网环境中网络入侵检测系统的开放集识别问题的缓解框架，该框架利用基于图像的报文级数据表示，从网络流量中提取空间和时间模式，并结合堆叠和子聚类技术，有效地模拟良性行为的复杂和多样性，显著提升了先前未见攻击的检测率。
对抗样本攻击如何影响工业控制系统的入侵检测？
该论文研究了在ICS环境下，使用adversarial examples技术构建针对autoregressive IDS的攻击，以有效地隐藏真实的网络攻击。作者对Secure Water Treatment系统进行了实验，仅考虑连续数据的情况下攻击成功率为2.87/12，包含离散和连续变量的数据的情况下攻击成功率为3.74/26。
集成学习在入侵检测中有什么应用？
该论文提出利用NSL-KDD数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该IDS比其他最先进的方法在该数据集上更为有效。
