فهرست نشریات علمی دسترسی آزاد ایران

تشخیص ناهنجاری‌ها در سیستم‌های کنترل صنعتی (ICS) به دلیل نقش حیاتی این سامانه‌ها در زیرساخت‌های حیاتی و افزایش تهدیدات سایبری، از اهمیت ویژه‌ای برخوردار است. این سیستم‌ها به دلیل الگوهای عملیاتی ساختاریافته و پیامدهای بالقوه مخرب ناشی از نقص عملکرد، نیازمند به‌کارگیری روش‌های پیشرفته در زمینه شناسایی ناهنجاری‌ها هستند. مطالعات پیشین نشان داده‌اند که روش‌های یادگیری ماشین، از جمله شبکه‌های عصبی عمیق، مدل‌های خودرمزگذار و تکنیک‌های افزایش داده، در بهبود دقت تشخیص ناهنجاری‌ها مؤثر بوده‌اند. بااین‌حال، این روش‌ها همچنان با چالش‌هایی از جمله عدم توازن مجموعه داده‌ها، وجود نویز و حساسیت به پارامترسازی مواجه‌اند که دقت و قابلیت تعمیم آن‌ها را محدود می‌سازد. در این پژوهش، دو روش مجزا برای بهبود فرآیند تشخیص ناهنجاری‌ها در سیستم‌های کنترل صنعتی ارائه شده است. روش نخست مبتنی بر بهینه‌سازی بردارهای ماشین پشتیبان (SVM) با استفاده از الگوریتم ژنتیک (GA) است که از الگوریتم ژنتیک برای تعیین بهینه پارامترهای SVM بهره می‌برد تا عملکرد طبقه‌بندی بهبود یابد. روش دوم، رویکردی مبتنی بر تحلیل هندسی داده‌ها است که با درنظر گرفتن ساختار درونی و توزیع داده‌ها، به چالش ناهمگونی آن‌ها غلبه کرده و دقت تشخیص ناهنجاری‌ها را ارتقا می‌بخشد. نتایج ارزیابی‌ها نشان می‌دهد که رویکردهای پیشنهادی، در مقایسه با روش‌های گذشته، از دقت بالاتری در شناسایی ناهنجاری‌ها برخوردار بوده و قابلیت به‌کارگیری به‌عنوان راهکارهای مؤثر در ارتقای امنیت و پایداری سیستم‌های کنترل صنعتی را دارند.