Machine Learning for Traffic Anomalies Detection within Industrial Networks

L’Industria 4.0 mira a digitalizzare completamente i processi industriali, con la creazione di reti ad alta densità, scalabili, flessibili e eterogenee. Di conseguenza, l’adozione dif- fusa di dispositivi connessi espone, in particolare, i Sistemi di Controllo Industriale (ICS) a rischi e minacce informatiche continui. Questo problema influisce sulla si- curezza dei dispositivi coinvolti nella moderna produzione automatizzata e presenta sfide complesse. L’uso del Machine Learning (ML) per lo sviluppo di Sistemi di Ril- evamento Intrusione di Rete (NIDS) rappresenta uno strumento difensivo valido e, tra l’altro, molto diffuso contro attori malevoli, grazie alla sua capacità di rilevare e conseguentemente bloccare comunicazioni sospette. Il presente progetto mira a sviluppare e addestrare un NIDS basato sul Machine Learn- ing per rilevare anomalie nei dati di rete. Tuttavia, questa fase presenta una sfida complessa, principalmente a causa dell’assenza di dataset realistici o sufficientemente aggiornati. Misurare un ICS in un ambiente industriale reale è anche un processo com- plicato e non banale. Pertanto, lo sviluppo di un dataset realistico, ottenuto attraverso procedure di misurazione sul campo meticolose, a supporto della futura ricerca sulla sicurezza industriale, è un obiettivo chiave di questa tesi.