基于联邦深度学习的工业网络物理系统入侵检测数据集

在复杂和动态化的网络安全威胁背景下，内生安全的研究成为解决网络安全问题的重要方向。内生安全强调系统具备自我免疫、自我适应和自我恢复能力，通过主动感知和抵御潜在攻击，实现从被动防护向主动防护的转变。本文提出了一种基于联邦深度学习的内生网络安全数据集，旨在弥补现有数据集在动态场景、多节点协作及隐私保护等方面的不足。数据集融合了复杂网络环境、多种攻击行为及隐私保护机制，不仅包含正常通信和已知攻击流量，还模拟了零日攻击以评估系统应对未知威胁的能力。数据采集过程基于高仿真的虚拟环境，覆盖多种工业协议和典型攻击行为，如数据篡改、流量阻断和命令注入。数据处理通过标准化、标签生成及时间序列重构确保质量，并提供多维度特征支持联邦学习模型的训练与验证。实验结果表明，数据集可用于评估内生安全系统在主动防护、自我恢复等方面的能力，为相关研究提供可靠的测试基准和分析工具。

搜集汇总

背景与挑战

背景概述

该数据集针对工业网络物理系统，基于联邦深度学习框架构建，旨在支持内生安全研究，弥补现有数据集在动态场景和隐私保护方面的不足。它融合了复杂网络环境、多种攻击行为（包括正常通信、已知攻击和模拟的零日攻击）以及隐私保护机制，数据采集于高仿真虚拟环境，覆盖多种工业协议和典型攻击类型。经过标准化处理和特征提取，数据集可用于训练和验证联邦学习模型，评估系统在主动防护和自我恢复等方面的能力。