earticle

영어

In Industrial Control Systems, minimizing operational losses from False Positives and False Negatives is critical due to the paramount importance of availability. Traditional rule-based methods, however, frequently generate false alarms due to rigid thresholds and are rarely evaluated based on operational costs. This study introduces a cost function weighted by FP and FN to quantify the operational effectiveness of anomaly detection models. We compared a rule-based model with four machine learning models (Isolation Forest, OC-SVM, AE, and VAE) using the SWaT dataset. The results show that reconstruction-based deep learning models drastically reduced false positives by capturing physical interactions, demonstrating approximately 14-fold higher operational effectiveness compared to the rule-based model. This indicates that machine learning integration significantly enhances both cost-efficiency and system stability in Industrial Control Systems environments.

한국어

산업제어시스템은 가용성과 운영 연속성을 최우선 목표로 하므로, 실제 공격 탐지뿐만 아니라 오탐과 미탐으로 인한 불필요한 공정 중단 및 운영 비용을 최소화하는 것이 필수적이다. 그러나 현장 에서 주로 사용되는 규칙 기반 탐지 모델은 보수적인 임계치 설정으로 인해 오탐이 빈번하고 실제 운 영 비용 관점에서 평가하지 못하는 한계가 있었다. 본 연구는 오탐과 미탐에 가중치를 부여한 비용 함 수를 제안하여, 규칙 기반 및 4종의 머신러닝 모델의(Isolation Forest, OC-SVM, AE, VAE) 운영 효과를 정량 비교하였다. SWaT 데이터셋 실험 결과, 재구성 기반 딥러닝 모델은 설비 간 상호작용을 학습하여 오탐을 획기적으로 줄였으며, 규칙 기반 대비 약 14배 높은 운영 효과를 입증하였다. 본 연 구를 통해 머신러닝 도입이 실질적인 운영 비용 절감과 시스템 안정성 제고에 기여함을 시사한다.