• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.18.2020.tde-16072021-172236
Document
Author
Full name
Afonso Celso Turcato
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2020
Supervisor
Committee
Flauzino, Rogério Andrade (President)
Brandão, Dennis
Cunha, Marcio José da
Kienitz, Karl Heinz
Pantoni, Rodrigo Palucci
Title in Portuguese
Desenvolvimento de método para detecção de intrusão em redes PROFINET baseado em técnicas de Aprendizado de Máquina
Keywords in Portuguese
Aprendizado de Máquina
Inteligência Artificial
PROFINET
Redes de automação
Segurança em redes
Sistemas de Detecção de Intrusão
Abstract in Portuguese
O aumento na quantidade de informações importantes que percorrem as redes de computadores faz com que a segurança seja fundamental para garantir a integridade, a confidencialidade e a disponibilidade dos dados trafegados. No ambiente industrial isso não é diferente. Em busca desse aumento da segurança, são utilizados dispositivos como Firewalls e Sistemas de Detecção de Intrusão (SDI). Hoje em dia, algoritmos de Aprendizado de Máquina (AM) da área de Inteligência Artificial (IA) estão sendo aplicados para a melhoria de desempenho desses dispositivos. Este trabalho propõe investigar, desenvolver, implementar e validar um método para detectar intrusão em redes PROFINET com uso de técnicas de Aprendizado de Máquina. O método utilizado está fundamentado na análise das características de comunicação do protocolo PROFINET e na identificação e classificação de padrões, sendo esta, uma das principais aplicações de classificadores inteligentes como as Redes Neurais Artificiais (RNA), as Máquinas de Vetores Suporte (SVM). As intrusões são identificadas por meio da análise do tráfego da rede em sua fase de operação utilizando-se classificadores unários e binários. Ao todo, 114 estruturas de classificação unárias e 196 estruturas de classificação binárias foram avaliadas com dados de 10 cenários distintos de tráfego de rede PROFINET. Os SDI propostos apresentaram Taxa de Detecção média de 98,1% e Taxa de Alarmes Falsos média de 0,4% utilizando-se classificadores unários e Taxa de Detecção de 100% e Taxa de Alarmes Falsos de 0% utilizando-se classificadores binários.
Title in English
Development of a method for intrusion detection in PROFINET networks based on Machine Learning techniques
Keywords in English
Artificial Intelligence
Automation Networks
Intrusion Detection Systems
Machine Learning
PROFINET
Security Network
Abstract in English
The increase in the amount of important information that travels through computer networks makes security essential to guarantee the integrity, confidentiality, and availability of the data being transferred. In the industrial environment, this is no different. In research of this increased security, devices such as Firewalls and Intrusion Detection Systems (IDS) are used. Nowadays, Machine Learning (ML) algorithms, from the Artificial Intelligence (AI) area, are being applied to improve the performance of these devices. This work proposes to investigate, develop, implement, and validate a method to detect intrusion in PROFINET networks using Machine Learning techniques. The method used is based in the analysis of the communication characteristics of the PROFINET protocol and the identification and classification of patterns, which is one of the main applications of intelligent classifiers such as Artificial Neural Networks (ANN), Support Vector Machines (SVM). Intrusions are identified through the analysis of network traffic in the operation phase using unary and binary classifiers. In total, 114 unary classification structures and 196 binary classification structures were evaluated using data from 10 different PROFINET network traffic scenarios. The proposed IDS had average Detection Rate of 98.1% and average False Alarm Rate of 0.4% using unary classifiers and a Detection Rate of 100% and a False Alarm Rate of 0% using binary classifiers.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2021-08-10
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2022. All rights reserved.