🔍سامانه‌های IDS صنعتی از آزمایشگاه تا نصب در محیط واقعی🔵 پژوهشی جدید با عنوان Recording-Aware Evaluation of Multimodal OT Intrusion Detection که در اکتبر ۲۰۲۶ منتشر شده، یکی از چالش‌های مهم سامانه‌های تشخیص نفوذ مبتنی بر هوش مصنوعی در شبکه‌های صنعتی (OT/SCADA) را آشکار کرده است.
🔵در بسیاری از آزمایش‌های ارزیابی
IDS صنعتی، داده‌های مربوط به عملکرد عادی تجهیزات و داده‌های حملات سایبری در دو مرحله مجزا ثبت می‌شوند.
🔵در نتیجه، ممکن است الگوریتم‌های یادگیری ماشین به‌جای شناسایی رفتار واقعی حمله، تفاوت شرایط ثبت داده‌ها را یاد بگیرند و دقتی ظاهراً بسیار بالا نشان دهند.
🔵محققان با استفاده از مجموعه‌داده صنعتی ProvICS، شامل ترافیک Modbus/TCP، رویدادهای PLC، اطلاعات سیستم‌های میزبان و متغیرهای فیزیکی فرایند، نشان دادند:
⚫️ ارزیابی
IDS با داده‌های مربوط به یک دوره ثبت مشترک، نتایجی کاملاً متفاوت از آزمایش‌های متداول ایجاد می‌کند.
⚫️ در این آزمایش، داده‌های فیزیکی فرایند صنعتی در تشخیص حملات، قوی‌ترین منبع اطلاعاتی مستقل بودند.
⚫️ اختلاف شاخص AUC میان دو روش ارزیابی برای برخی مدل‌های مبتنی بر داده‌های سایبری به 54 درصد رسید؛ اختلافی چشمگیر که اعتبار نتایج آزمایشگاهی را به چالش می‌کشد.
⚫️ حتی ممکن است یک هشدار طولانی‌مدت
IDS به‌اشتباه به‌عنوان شناسایی موفق چندین حمله مستقل محاسبه شود.
🔵در شبکه‌های برق، نفت، گاز و پتروشیمی، انتخاب یک
IDS صنعتی صرفاً بر اساس درصد دقت اعلام‌شده توسط سازنده کافی نیست. سامانه باید در شرایط واقعی بهره‌برداری و با درنظرگرفتن تغییرات فرایندی، تعداد هشدارهای غیرضروری، زمان تشخیص حملات و قابلیت تحلیل هم‌زمان داده‌های سایبری و فیزیکی ارزیابی شود.
🔵این پژوهش توسط محققان دانشگاه Ontario Tech کانادا تهیه شده و برای ارائه در کارگاه امنیت سیستم‌های کنترل صنعتی ICSS 2026 پذیرفته شده است.
📝 مقاله کامل:
https://arxiv.org/abs/2610.24128🔗 کد و نتایج پژوهش#OTSecurity #ICS #SCADA #IDS #IndustrialCybersecurity #MachineLearning #امنیت_صنعتی📱 @PingChannel خبر، تحلیل، انتقاد - فناوری اطلاعات🅰️🅰️🅰️🅰️ 