Теория и практика науки и образования №8 (8) Октябрь 2026 г.

Введение

Цифровизация критической инфраструктуры привела к тому, что промышленные системы управления (ПСУ), ранее работавшие изолированно, интегрируются с корпоративными и внешними сетями. Это расширило поверхность атаки и сделало ПСУ значимой целью для киберпреступников [1].

Последствия атак на ПСУ включают финансовые потери, физическое повреждение оборудования и экологический ущерб; показательными примерами являются инциденты со Stuxnet и BlackEnergy. Протоколы Modbus и DNP3, широко применяемые в промышленных сетях, создавались без учёта требований кибербезопасности, поэтому их подключение к современным сетям повышает уязвимость систем.

Сигнатурный анализ и периметровая защита ограниченно эффективны против новых и скрытых атак. В связи с этим растёт число работ, посвящённых обнаружению аномалий на основе машинного обучения [1, 2].

Целью настоящей работы является систематизация методов обнаружения угроз в ПСУ и сравнительный анализ результатов, опубликованных в научной литературе, прежде всего в работах [2, 4, 5]. Собственные эксперименты автором не проводились: все количественные показатели приведены по первоисточникам. Для достижения цели поставлены следующие задачи: описать особенности угроз в ПСУ; классифицировать существующие методы их обнаружения; сопоставить заявленные результаты моделей DeepFM и автоэнкодерных подходов; выявить ограничения опубликованных оценок.

Особенности угроз в промышленных системах управления

Под угрозой в ПСУ понимается любое отклонение в работе сенсоров, исполнительных механизмов или управляющих сигналов, вызванное как внешним воздействием, так и внутренним сбоем оборудования. Отличие от традиционных информационных систем состоит в том, что аномалия на физическом уровне способна привести к технологическому инциденту, поэтому цена ошибки обнаружения высока.

Обобщённо процесс обнаружения угроз включает четыре этапа: сбор данных (сетевой трафик, показания датчиков); их анализ и выделение признаков; построение модели нормального поведения и выявление отклонений от неё; оценка опасности и выбор реакции.

Поведение ПСУ и тактика атакующих меняются со временем, поэтому статические правила и классические статистические подходы требуют постоянной перенастройки. Это рассматривается в обзорных работах как одна из причин перехода к методам машинного обучения [3].

Классификация методов обнаружения угроз

В литературе методы обнаружения угроз принято делить на три группы: сигнатурные, статистические и основанные на машинном обучении [3]. Сигнатурные методы эффективны против известных атак, но не позволяют выявлять новые.

К статистическим методам относится, в частности, Isolation Forest. Кочергин и соавт. [4] применили его для выявления скачков напряжения в энергосистеме с номинальным напряжением 10 кВ: модель обучалась на данных нормального режима и, по оценке авторов, позволила выделить критические интервалы. Следует учитывать, что в работе [4] использованы синтетические данные с искусственно внесёнными аномалиями, а числовые метрики качества в аннотации не приводятся. Работа демонстрирует применимость метода, но не позволяет судить о его поведении на больших и сложных реальных данных.

Среди методов машинного обучения наибольшее внимание привлекают гибридные модели. Zakariah и соавт. [2] предложили систему обнаружения вторжений на основе DeepFM, сочетающей факторизационные машины, моделирующие попарные взаимодействия признаков, и глубокую нейронную сеть, выделяющую взаимодействия более высокого порядка. Задача формулируется как бинарная классификация («норма» или «атака»). В качестве базовых методов авторы [2] использовали логистическую регрессию, XGBoost и Random Forest, а также сравнили модель с вариантами, содержащими только факторизационную машину или только нейронную сеть.

Автоэнкодерные подходы строятся иначе: модель обучается только на данных нормального поведения и восстанавливает их; высокая ошибка реконструкции рассматривается как признак аномалии. Левшун и соавт. [5] дополнили такой подход методами объяснимого машинного обучения, что позволяет определить параметры, вызвавшие срабатывание детектора.

Помимо перечисленного, в литературе рассматриваются модели с механизмом внимания [6], глубокие модели обнаружения аномалий для ПСУ, такие как DAICS [7], и генеративно-состязательные сети [8]. Сравнительный анализ подходов на основе глубокого обучения представлен в обзоре [9], а сочетание мультимодальных моделей с объяснимым искусственным интеллектом — в работе [10].

Наборы данных и метрики в рассматриваемых работах

Результаты, обсуждаемые ниже, получены Zakariah и соавт. [2] на открытых наборах WUSTL-IIoT-2018, WUSTL-IIoT-2021 и HAI Security, а также на наборе данных об энергосети Sherlock. WUSTL-IIoT содержит сетевой трафик тестового стенда промышленного Интернета вещей, собранный в Университете Вашингтона в Сент-Луисе; HAI (HIL-based Augmented ICS) — данные ПСУ с аппаратным моделированием технологических процессов.

Для оценки качества в первоисточниках используются стандартные метрики: Accuracy (доля верно классифицированных записей), Precision (доля действительных атак среди срабатываний), Recall (доля обнаруженных атак) и F1-score (гармоническое среднее Precision и Recall). Поскольку в данных ПСУ нормальные записи, как правило, существенно преобладают над атаками, Accuracy сама по себе малоинформативна, и корректнее ориентироваться на Precision, Recall и F1-score.

Анализ опубликованных результатов

Заявленные авторами [2] показатели модели DeepFM приведены в таблице 1.

Результаты на WUSTL-IIoT-2018 (Accuracy 99,98 %, F1-score 0,9997) близки к предельным. На остальных наборах показатели ниже: на HAI и Sherlock Accuracy составляет 95,4–95,6 %. Это свидетельствует о существенной зависимости качества от набора данных и не позволяет переносить лучший результат на другие условия.

Преимущество DeepFM над базовыми методами нужно оценивать осторожно. По сравнительным таблицам Zakariah и соавт. [2] Random Forest показывает точность около 98,99 %, логистическая регрессия — около 96,9 %, XGBoost — около 95,8 %. Следовательно, в ряде сравнений выигрыш над Random Forest измеряется долями процента, и утверждение о существенном превосходстве DeepFM не вполне обоснованно. Сведений о статистической значимости различий в доступных автору материалах работы [2] получить не удалось, этот вопрос требует проверки по полному тексту первоисточника.

Кроме того, в тексте работы [2] имеются расхождения между таблицами: для WUSTL-IIoT-2018 в одной таблице приведена Accuracy 0,9998, а в кросс-датасетном сравнении — 0,991; для HAI значение F1-score указано в таблице (0,954), но отсутствует в аннотации. Подобные расхождения следует учитывать при цитировании конкретных значений.

Подход Левшуна и соавт. [5] ориентирован на другую задачу: он не требует размеченных атак и, помимо обнаружения аномалий, позволяет интерпретировать решение модели. Количественные результаты приведены в первоисточнике. Прямое сопоставление DeepFM и автоэнкодеров некорректно, так как работы используют разные наборы данных, протоколы оценки и режимы обучения (с учителем и без учителя).

Обсуждение и ограничения

Приведённый анализ позволяет выделить несколько ограничений имеющихся оценок. Во-первых, результаты по DeepFM получены в рамках одной работы [2], сведений о независимом воспроизведении нет. Во-вторых, высокие значения Accuracy на несбалансированных данных могут скрывать пропуск атак; при такой точности, как 99,98 %, необходимо дополнительно проверять отсутствие дубликатов и утечки данных между обучающей и тестовой выборками. В-третьих, использованные наборы данных получены на лабораторных стендах, и перенос результатов на реальные объекты не доказан.

Дополнительное ограничение связано с вычислительными затратами: глубокие модели вероятно потребуют значительных ресурсов, что затрудняет их размещение непосредственно на контроллерах. Качество автоэнкодерных методов, в свою очередь, зависит от полноты и чистоты данных нормального поведения.

К перспективным направлениям относятся оптимизация моделей для работы в реальном времени, более тесная интеграция объяснимых методов [10] и проверка моделей на данных реальных технологических процессов.

Заключение

Проведённый обзор показывает, что гибридные модели машинного обучения, в частности DeepFM и автоэнкодерные подходы, демонстрируют высокие результаты в обнаружении угроз в ПСУ по данным опубликованных исследований. Вместе с тем заявленные показатели зависят от набора данных, получены в разных условиях и в ряде случаев незначительно превосходят традиционные методы, поэтому делать вывод о безусловном преимуществе гибридных моделей преждевременно.

Для практического внедрения необходимы независимое воспроизведение результатов, оценка по метрикам, устойчивым к дисбалансу классов, и проверка на данных реальных объектов. Развитие области, по-видимому, будет связано с созданием более лёгких и интерпретируемых моделей, пригодных для работы в реальном времени.

Список используемой литературы