چارچوب ارزیابی دینامیک ریسک امنیت سایبری برای سیستمهای کنترل صنعتی مبتنی بر SCADA
الموضوعات : فناوری اطلاعات و ارتباطات
سیدمهدی حسینی
1
,
محمدعلی پورمینا
2
,
احمد فخاریان
3
,
مهدی خطیر
4
1 - دانشجوی دکتری، گروه مهندسی برق، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد گروه الکترونیک و مخابرات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مهندسی برق، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
4 - استاد گروه الکترونیک و مخابرات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
الکلمات المفتاحية: ارزیابی ریسک امنیت سایبری, امنیت SCADA سیستمهای کنترل صنعتی, حفاظت زیرساخت حیاتی, یادگیری ماشین, شبکههای بیزین,
ملخص المقالة :
سیستمهای کنترل صنعتی، بهخصوص سیستمهای کنترل نظارتی و اکتساب داده (SCADA)، نقش محوری در مدیریت زیرساختهای حیاتی دارند. همگرایی روزافزون فناوریهای عملیاتی با شبکههای فناوری اطلاعات، چالشهای امنیتی پیچیدهای را به وجود آورده که در حملاتی چون استاکسنت، حادثه شبکه برق اوکراین و باجافزار کلونیال پایپلاین نمود یافته است. این سیستمها باید قابلیت اطمینان فوقالعادهای با دردسترسبودن بالای ۹۹.۹۹۹٪ و تأخیر کمتر از ۱۰ میلیثانیه برای کنترلکنندههای منطقی قابلبرنامهریزی(PLCها) داشته باشند. روشهای سنتی ارزیابی ریسک به دلیل ماهیت ایستای خود، قادر به مدلسازی تهدیدات پویا، وابستگیهای میان داراییها و تغییرات زمانی در شرایط عملیاتی نیستند. در این پژوهش، چارچوبی پیشرفته برای ارزیابی پویای ریسک امنیت سایبری ارائه شده که مخصوص سیستمهای SCADA در محیطهای صنعتی حساس طراحی شده است. این چارچوب هفت مؤلفه یکپارچه دارد، ارزشگذاری مبتنی بر لایهبندی داراییها با ضرایب وزنی تأثیر خسارت، شبکههای بیزین چندلایه و پویای برای مدلسازی احتمالاتی تهدیدها، امتیازدهی آفلاین سیستم امتیازدهی آسیبپذیری مشترک (CVSS) و ISO/IEC 18045، ارزیابی ریسک مبتنی بر درخت تصمیم منطبق با استاندارد IEC 62443، کنترلکننده حالت ایمن، بهینهسازی نظریه بازی برای راهبردهای دفاعی و سیستم توصیهگر مبتنی بر الگوریتم جنگل تصادفی (Random Forest). شبیهسازیهای گسترده در نرمافزار متلب نشان میدهد که این چارچوب نسبت به روشهای ایستا، کاهش متوسط ۲۸% در نمره ریسک تمام داراییها را محقق میکند و نرخ مثبت کاذب را زیر ۵% نگه میدارد.
[1] D Kaur, A Anwar, I Kamwa, S Islam, SM Muyeen. "A Bayesian deep learning approach with convolutional feature engineering to discriminate cyber-physical intrusions in smart grid systems", - IEEE, 2023 - ieeexplore.ieee.org
[2] F. Brancati, D. Mongelli, F. Mariotti P. Lollini. "A cybersecurity risk assessment methodology for industrial automation control systems". volume 24, article number 76, (2025).
[3] C. Alcaraz and S. Zeadally, "Critical infrastructure protection: Requirements and challenges for the 21st century," International Journal of Critical Infrastructure Protection, vol. 8, pp. 53-66, 2015.
[4] National Institute of Standards and Technology (NIST), "Guide to industrial control systems security," NIST Special Publication 800-82 Rev. 3, 2011.
[5] J. P. Farwell and R. Rohozinski, "Stuxnet and the future of cyber war," Survival, vol. 53, no. 1, pp. 23-40, 2011.
[6] R. M. Lee, M. J. Assante, and T. Conway, "Analysis of the cyber attack on the Ukrainian power grid," Electricity Information Sharing and Analysis Center (E-ISAC), 2016.
[7] C. Krauss, "Colonial Pipeline hack reveals critical infrastructure vulnerabilities," The New York Times, May 13, 2021.
[8] National Institute of Standards and Technology (NIST), "Guide for conducting risk assessments," NIST Special Publication 800-30 Rev. 1, 2012.
[9] Y. Cherdantseva, P. Burnap, A. Blyth, P. Eden, K. Jones, H. Soulsby, and K. Stoddart, "A review of cyber security risk assessment methods for SCADA systems," Computers & Security, vol. 56, pp. 1-27, 2016.
[10] W. Wang, Z. Lu, and T. Chen, "Cybersecurity challenges in industrial control systems," International Journal of Critical Infrastructure Protection, vol. 9, pp. 52-80, 2015.
[11] Bhamare, D., Zolanvari, M., Erbad, A., Jain, R., Khan, K. and Meskin, N., 2020. Cybersecurity for industrial control systems: A survey. computers & security, 89, p.101677.
[12] International Organization for Standardization (ISO/IEC), "Information technology -- Security techniques -- Methodology for IT security evaluation," ISO/IEC Standard 18045, 2022.
[13] Hu, C.L., Wang, L., Chen, M.L. and Pei, C., 2024. A real-time interactive decision-making and control framework for complex cyber-physical-human systems. Annual Reviews in Control, 57, p.100938.
[14] Patel, R., 2023. Automated Threat Detection and Risk Mitigation for ICS (Industrial Control Systems) Employing Deep Learning in Cybersecurity Defence. Int. J. Curr. Eng. Technol, 13(06), pp.584-591.
[15] Ali, B.S., Ullah, I., Al Shloul, T., Khan, I.A., Khan, I., Ghadi, Y.Y., Abdusalomov, A., Nasimov, R., Ouahada, K. and Hamam, H., 2024. ICS-IDS: application of big data analysis in AI-based intrusion detection systems to identify cyberattacks in ICS networks. The Journal of Supercomputing, 80(6), pp.7876-7905.
[16] Barua, S., Gao, X., Pasman, H. and Mannan, M.S., 2016. Bayesian network based dynamic operational risk assessment. Journal of Loss Prevention in the Process Industries, 41, pp.399-410.
[17] Almaiah, M.A., Yelisetti, S., Arya, L., Babu Christopher, N.K., Kaliappan, K., Vellaisamy, P., Hajjej, F. and Alkdour, T., 2023. A novel approach for improving the security of IoT–medical data systems using an enhanced dynamic Bayesian network. Electronics, 12(20), p.4316.
[18] Abdulhamid, A., Kabir, S., Ghafir, I. and Lei, C., 2024, January. Reliability Assessment of IoT-enabled Systems using Fault Trees and Bayesian Networks. In International Conference on Advances in Distributed Computing and Machine Learning (pp. 267-277). Singapore: Springer Nature Singapore.
