Solving the Cross-Sector Generalization Gap: A Generalizable AI Framework for Detecting Known and Unseen Cyberattacks in Critical Infrastructure

现代世界运行在一个由机器和网络构成的庞大且无形的神经系统之上。从保持水龙头清洁的水处理厂，到为城市提供照明的电网，再到移动列车的铁路、航行在海洋上的船舶以及制造商品的工厂，这些系统都依赖于运营技术（Operational Technology）。这是一种用于监测和控制物理过程的专门软件和硬件。几十年来，安全专家一直将这些领域视为彼此独立的孤岛。他们为水处理厂构建定制化的防御，为电网构建另一套，又为铁路构建另一套，并假设一个行业中传感器的独特语言无法被设计用于另一个行业的系统所理解。这种方法创造了一个碎片化的景观，使得保护互联的世界需要为每一项工作配备不同的工具，随着这些系统变得更加紧密相连，这种方法既昂贵又难以扩展。

来自国际伊斯兰大学奇特贡（International Islamic University Chittagong）的一个研究小组挑战了这一长期存在的假设。他们提出了一个简单而深刻的问题：一个人工智能系统是否能够学会识别跨所有不同行业的网络攻击的通用特征，即使它从未见过那个特定的行业？他们的研究表明，答案是肯定的。通过训练计算机模型去观察数据的行为而非特定传感器的名称，他们创建了一个统一的检测器，能够识别包括已知攻击和全新的、未见的威胁在内的各种情况，涵盖了五个不同的关键基础设施部门。结果表明，一个单一的、具有适应性的系统最终可以取代成群的专业化检测器，为保护社会赖以生存的基础服务提供一种更高效、更易理解的方式。

研究人员专注于五个不同的领域：水及废水处理、电力网、铁路信号、海上导航和工业制造。在现实世界中，这些系统说着不同的语言。水处理厂可能会监测压力和水质清晰度，而电网则追踪电压和频率。铁路系统会观察制动压力和列车速度，而船舶则监测其发动机转速和舵角。传统上，如果一个人工智能是在水务数据上训练的，那么它对于电网来说将是毫无用处的，因为它无法理解涉及的具体数值。研究人员意识到，虽然传感器的名称各异，但机器在遭受攻击时的行为方式可能会共享共同的模式。

为了测试这一点，他们构建了一个框架，将每个部门的原始数据转化为一种通用的、简化的语言。他们并没有直接向计算机输入原始传感器读数，而是计算了每一个时间窗口内的统计摘要。他们观察了数值变化的速率、数值波动的程度以及数值分布的离散程度。这些摘要为每个部门创建了一组固定的数字列表，剥离了水务或电力等特定词汇，只留下了数据的数学形态。这使得他们能够训练一个单一的计算机模型——一种被称为“随机森林”的决策系统——同时对所有五个部门的数据进行学习。

团队让这个单一模型通过了一系列严格的测试，以验证它是否真的具有泛化能力。首先，他们检查了它是否能在训练过的部门内检测出攻击。该模型取得了成功，能以约 79% 到 86% 的准确率正确识别水务、电力、铁路、海事和工业系统的攻击。这证明了该模型能够学习每个行业的细微差别。但真正的考验在于他们尝试转移知识时：他们用四个部门的数据训练模型，然后要求它识别第五个部门（一个它从未见过的领域）中的攻击。令人惊讶的是，该模型在这些新环境中表现同样出色，准确率达到了 80% 到 86% 之间。这表明该系统已经学习到了攻击的底层逻辑，而不仅仅是记住了某个行业的特定传感器名称。

最显著的发现或许是该系统检测其从未遇到过的攻击的能力。在网络安全领域，最危险的威胁是“零日攻击”（Zero-day attacks），即对防御者而言全新且未知的威胁。研究人员通过在训练数据中完全剔除一种特定的隐蔽攻击来测试他们的模型。当他们将这种未见的攻击呈现给模型时，它仍然能够以很高的置信度识别出来，检测率超过 82%。这表明该模型已经学会了识别那些表征网络入侵的微妙且不规则的行为，无论它之前是否见过这种特定的手段。

研究人员还解决了一个关键的操作问题：如何区分恶意网络攻击与简单的、无害的机器故障。过去，安全系统经常会将因老化导致的传感器漂移或因磨损导致的电机故障误认为是有意的攻击，从而导致误报，削弱了人们对系统的信任。他们的框架能够以近 90% 的准确率区分网络攻击与物理故障。这是一项至关重要的能力，因为它确保了操作员会被真实的威胁所警示，而不是被日常的设备磨损和故障所干扰。

最后，团队确保了该系统不是一个给出答案却不提供解释的“黑盒”。他们分析了模型在做出决策时主要依赖哪些统计特征。他们发现，该系统主要受“变化率的波动性”驱动——本质上，就是数据跳动得有多快、有多剧烈。这在直觉上是合理的，因为网络攻击通常会破坏机器数据平滑、可预测的流动，导致突然且不规则的峰值。由于该模型是基于这些清晰、可理解的统计规则构建的，因此安全操作员可以看到触发警报的具体原因，从而提供一条透明的证据链，而不是一个神秘的标签。

这项研究确实存在局限性。用于训练和测试该系统的数据是由旨在模拟现实物理环境的计算机仿真程序生成的，而非来自真实的运行网络。虽然这些仿真过程经过精心设计，包含了现实的噪声和复杂性，但研究人员承认，现实世界的系统包含了一些仿真无法完全捕捉的额外不可预测层。他们也指出，目前的系统提供了决策的通用解释，但尚未能对每一个单独的警报进行详细的推理说明。尽管存在这些限制，研究结果仍为未来关键基础设施的安全提供了一个引人注目的愿景。与其为每一个新行业或每一种新传感器构建一套新的、定制化的防御，不如利用一个单一的、具有适应性的智能系统，去学习机器行为的通用语言，用一个统一、透明且有效的盾牌来保护我们的水务、电力、交通和工业。