Attack detection in a railway scenario using ML techniques

Abstract

The security and safety of railway systems are of paramount importance in order to ensure the protection of passengers and infrastructure. Given the increasing sophistication and frequency of cyber-attacks, the need for robust attack detection mechanisms becomes crucial, highlighting the need to detect not only existing attacks, but also unknown attacks. This project focuses on attack detection and classification in a railway scenario using machine learning. The goal is to compare the performance of different approaches. The findings demonstrate the effectiveness of using data augmentation techniques through Generative Adversarial Network, which offers a detection and classifying accuracy of 91.65%, compared to the accuracy of just 45.94% from the model without data augmentation. Finally, the TL model based on Convolutional Neural Networks is applied to detect and classify new cyber-attacks. Experimental results show that the proposed TL-based framework achieves high accuracy arriving at 99.60%. These results demonstrate that TL is effective in the detection of cyber-attacks in railway systems. This highlights the effectiveness of the proposed final method in effectively adapting to novel attack patterns and providing robust security measures.

La seguridad y protección de los sistemas ferroviarios son de suma importancia para garantizar la protección de los pasajeros y la infraestructura. Dada la creciente sofisticación y frecuencia de los ciberataques, la necesidad de mecanismos sólidos de detección de ataques se vuelve crucial, resaltando la necesidad de detectar no solo ataques existentes, sino también ataques desconocidos. Este proyecto se centra en la detección y clasificación de ataques en un escenario ferroviario utilizando aprendizaje automático (machine learning). El objetivo es comparar el rendimiento de diferentes enfoques. Los hallazgos demuestran la efectividad de utilizar técnicas de aumento de datos a través de las Redes Generativas Adversarias (Generative Adversarial Network), que ofrecen una precisión de detección y clasificación del 91.65%, en comparación con la precisión del 45.94% del modelo sin aumento de datos. Finalmente, se aplica un modelo de transferencia de aprendizaje (TL) basado en Redes Neuronales Convolucionales (CNN) para detectar y clasificar nuevos ciberataques. Los resultados experimentales muestran que el marco propuesto basado en TL logra una alta precisión, llegando al 99.60%. Estos resultados demuestran que la TL es efectiva en la detección de ciberataques en sistemas ferroviarios. Esto resalta la eficacia del método final propuesto al adaptarse de manera efectiva a patrones de ataque novedosos y proporcionar medidas de seguridad sólidas.

La seguretat i protecció dels sistemes ferroviaris són d'una importància fonamental per garantir la protecció dels passatgers i la infraestructura. Donada l'augment de sofisticació i freqüència dels ciberatacs, esdevé crucial la necessitat de mecanismes de detecció d'atacs robustos, posant de relleu la importància de detectar no només els atacs existents, sinó també els atacs desconeguts. Aquest projecte se centra en la detecció i classificació d'atacs en un escenari ferroviari mitjançant aprenentatge automàtic. L'objectiu és comparar el rendiment de diferents enfocaments. Els resultats demostren l'eficàcia de l'ús de tècniques d'augment de dades mitjançant Xarxes Generatives Antagòniques (Generative Adversarial Network), que ofereixen una precisió de detecció i classificació del 91,65%, en comparació amb la precisió del 45,94% del model sense augment de dades. Finalment, s'aplica un model de transferència d'aprenentatge basat en Xarxes Neuronals Convolucionals (CNN) per detectar i classificar nous ciberatacs. Els resultats experimentals demostren que el marc proposat basat en transferència d'aprenentatge aconsegueix una alta precisió, arribant al 99,60%. Aquests resultats demostren que la transferència d'aprenentatge és eficaç en la detecció de ciberatacs en sistemes ferroviaris. Això posa de manifest l'eficàcia del mètode final proposat per adaptar-se de manera efectiva a nous patrons d'atac i proporcionar mesures de seguretat robustes.