Аналіз інтелектуальних методів виявлення кіберінцидентів у атомній енергетиці на основі однокласового навчання

Abstract

У роботі представлено концептуальний зсув у підходах до забезпечення кібербезпеки та технічної надійності атомних електричних станцій (АЕС). Замість традиційної реактивної класифікації відомих атак запропоновано проактивне моделювання «нормального стану» об’єкта (Normal State Recognition), яке дозволяє виявляти будь-які відхилення від фізично обґрунтованої поведінки системи. Це є актуальним з огляду на критичний дефіцит емпіричних даних про кіберінциденти в атомній енергетиці та обмеженість сигнатурних методів у протидії атакам «нульового дня». Обґрунтовано застосування методів однокласового навчання (One-Class Classification, OCC), які навчають алгоритми розпізнавати адекватну поведінку системи без потреби у великих масивах аварійних даних. Для формалізації нормального стану використано чотирьох елементну схему аналізу «режим-стан-об’єкт-взаємозв’язок», що забезпечує структуроване представлення багатовимірного простору даних. Досліджено внутрішні принципи функціонування сучасних архітектур – автоенкодерів (AE/TSAE) та Isolation Forest (iForest), здатних ідентифікувати приховані закономірності та мікроаномалії на ранніх етапах, до виникнення критичних станів.The paper presents a conceptual shift in approaches to ensuring cybersecurity and technical reliability of nuclear power plants (NPPs). Instead of the traditional reactive classification of known attacks, a proactive modeling of the “normal state” of an object (Normal State Recognition) is proposed, which makes it possible to detect any deviations from the physically justified behavior of the system. This is particularly relevant given the critical lack of empirical data on cyber incidents in nuclear power engineering and the limitations of signature-based methods in countering zero-day attacks. The application of one-class classification (OCC) methods is substantiated, as they train algorithms to recognize the proper system behavior without the need for large datasets of аварійних (incident/failure) data. To formalize the normal state, a four-element analysis scheme “mode–state–object–relationship” is used, providing a structured representation of a multidimensional data space. The internal principles of operation of modern architectures – autoencoders (AE/TSAE) and Isolation Forest (iForest) – are studied, as they are capable of identifying hidden patterns and micro-anomalies at early stages, before critical conditions arise.