[논문 리뷰] Deep Learning-Based Anomaly Detection in Cyber-Physical Systems: Progress and Opportunities

Yuan Luo, Ya Xiao외 3명|arXiv (Cornell University)|2020. 03. 30.

Anomaly Detection Techniques and Applications참고 문헌 116인용 수 50

한 줄 요약

사이버 물리 시스템에서의 딥 러닝 기반 이상 탐지 방법에 대한 포괄적 고찰로, 공격, 결함, 데이터 입력, 모델, 평가 지표를 분류하기 위한 분류 체계를 제시하고 향후 연구를 위한 지침을 제공한다.

ABSTRACT

Anomaly detection is crucial to ensure the security of cyber-physical systems (CPS). However, due to the increasing complexity of CPSs and more sophisticated attacks, conventional anomaly detection methods, which face the growing volume of data and need domain-specific knowledge, cannot be directly applied to address these challenges. To this end, deep learning-based anomaly detection (DLAD) methods have been proposed. In this paper, we review state-of-the-art DLAD methods in CPSs. We propose a taxonomy in terms of the type of anomalies, strategies, implementation, and evaluation metrics to understand the essential properties of current methods. Further, we utilize this taxonomy to identify and highlight new characteristics and designs in each CPS domain. Also, we discuss the limitations and open problems of these methods. Moreover, to give users insights into choosing proper DLAD methods in practice, we experimentally explore the characteristics of typical neural models, the workflow of DLAD methods, and the running performance of DL models. Finally, we discuss the deficiencies of DL approaches, our findings, and possible directions to improve DLAD methods and motivate future research.

연구 동기 및 목표

• 결함과 공격을 탐지하기 위해 CPS의 딥 러닝 기반 이상 탐지 방법을 체계적으로 검토한다.
• 이상 유형, 탐지 전략, 평가 지표를 바탕으로 기존 연구를 정리하는 분류 체계를 제안한다.
• ICS, 스마트 그리드, ITS, 항공 시스템 전반에서 도메인별 특성 및 경향을 식별한다.
• DLAD 솔루션 구축에 대한 한계, 미해결 문제 및 실용적인 지침을 논의한다.
• 실험적으로 신경망 모델과 워크플로를 탐구하여 DLAD 성능에 대한 실용적인 통찰을 제공한다.

제안 방법

• 다음에 따라 구성된 분류 체계를 제안한다: (i) 이상 유형(공격 vs 결함), (ii) 탐지 전략(입력 데이터, 신경망 설계, 이상 점수), (iii) 구현 및 평가 지표.
• 학술대회와 학술지의 동료 심사를 거친 CPS DLAD 논문을 분류 체계에 따라 검토하고 분류한다.
• 일반적인 신경망 모델을 실험적으로 탐구하여 CPS 데이터를 특징짓고 DLAD 워크플로와 모델의 실행 성능을 보여준다.
• CPS에서의 DL 접근법의 한계에 대해 논의하고 DLAD 방법을 개선하기 위한 방향을 제시한다.

실험 결과

연구 질문

• RQ1 기존 DLAD 접근법의 특징은 무엇이며 위협 모델, 탐지 전략, 구현 및 평가 지표에 따라 어떻게 분류될 수 있는가?
• RQ2 신경망 모델의 특성과 DLAD 워크플로를 포함하여 DL 모델을 CPS 이상 탐지에 어떻게 적용할 수 있는가?
• RQ3 CPS 이상 탐지에 적용될 때 DLAD 방법의 한계와 결함은 무엇인가?
• RQ4 연구자들이 이러한 한계를 어떻게 해결하고 DLAD 방법을 개선할 수 있는가?

주요 결과

• 저자는 이상 유형, 탐지 전략, 구현/평가 지표를 기반으로 CPS의 DLAD에 대한 분류 체계를 제시한다.
• 그들은 대표적인 CPS 도메인(ICS, 스마트 그리드, ITS, 항공 시스템)을 식별하고 도메인별 특징과 경향을 요약한다.
• 그들은 일반적인 신경망 모델을 실험적으로 탐구하고 DLAD 워크플로 및 실행 성능을 개략하여 실용적인 지침을 제공한다.
• 본 조사는 DL 접근법의 한계와 해결되지 않은 문제를 논의하고 DLAD 방법 개선 방향을 강조한다.
• 이 연구는 DL 기반 CPS 이상 탐지의 진전, 도전 과제 및 향후 연구 방향을 종합하여 추가 연구를 자극한다.