Detection of steganographic anomalies in industrial networks using convolutional neural networks

Abstract

[ES] En este trabajo final de master se aborda la elaboración y evaluación de un enfoque de detección de anomalías causadas por la incrustación esteganográfica en redes indus- triales. Esta línea de investigación viene motivada por la popularidad creciente del uso de este tipo de técnicas esteganográficas por parte de los ciber criminales durante los últimos años para permenacer indetectados durante los ataques. Además, de ser eI ámbito de las redes industriales un entorno de máxima criticidad donde un incidente de ciberseguridad puede poner en riesgo incluso vidas humanas.

Esta detección se ha basado en el uso de redes neuronales convolucionales (CNN) y para ello, se ha creado un espacio de características propias con los que entrenar y probar estas redes. Los datos utilizados para la realización de esta tesis han sido proporcionados por la Universidad de Ciencias Aplicadas de Brandeburgo (THB). Estos datos han sido recogidos en un entorno industrial simulado y han servido como entrada para medir el rendimiento de los tres modelos de clasificación basados en CNNs diseñados cada uno con distinta complejidad.

Los tres modelos han sido creados utilizando las librerias Tensorflow y Keras. Para medir el rendimiento se han utilizado las métricas habituales de precisión y error ade- más de tasas como la de verdaderos positivos (TPR) y verdaderos negativos (TNR). Este nuevo espacio de características ha presentado unos resultados muy prometedores de cara a la clasificación de los datos para los tres modelos, obteniendo un promedio de precisión de clasificación de más del 95 0/0. Estos resultados pueden servir de referencia para futuros trabajos y mejoras en esta misma linea.

[EN] This master 's thesis deals with the development and evaluation of a detection ap- proach to detect anomalies caused by steganographic embedding in industrial networks. This line of research is motivated by the growing popularity of the use of this type of steganographic techniques by cyber criminals to remain undetected during attacks. Moreover, industrial networks are a highly critical environment where a cybersecurity incident can even put human lives at risk.

This detection has been based on the use of convolutional neural networks (CNN) and for this purpose, a hand-crafted feature space has been created for training and testing these networks. The data used for the realization of this thesis have been provided by the Brandenburg University of Applied Sciences (THB). These data have been collected in a simulated industrial environment and have served as input to measure the performance of the three CNN-based classification models each designed with different complexity.

The three models have been created using Tensorflow and Keras libraries. For per- formance measurement, the usual accuracy and error metrics have been used in addition to rates such as true positive (TPR) and true negative (TNR). This new feature space has presented very promising results for data classification for the three models, obtaining an average classification accuracy of more than 95%. These results can serve as a reference for future work and improvements along the same lines.