TY - GEN A1 - Mitseva, Asya A1 - Thierse, Paul A1 - Hoffmann, Harald A1 - Er, Devran A1 - Panchenko, Andriy ED - Katsikas, Sokratis T1 - Challenges and Pitfalls in Generating Representative ICS Datasets in Cyber Security Research T2 - Computer Security, ESORICS 2022 International Workshops CyberICPS 2022, SECPRE 2022, SPOSE 2022, CPS4CIP 2022, CDT&SECOMANE 2022, EIS 2022, and SecAssure 2022 Copenhagen, Denmark, September 26–30, 2022, Revised Selected Papers Y1 - 2023 SN - 978-3-031-25459-8 SN - 978-3-031-25460-4 U6 - https://doi.org/10.1007/978-3-031-25460-4_22 SP - 379 EP - 397 PB - Springer International Publishing CY - Cham ER - TY - GEN A1 - Gao, Yunlong A1 - Zhang, Yisong A1 - Chen, Baihua A1 - Xiong, Yuhui T1 - Local Neighborhood Reliability Weighted Support Vector Machine T2 - 2020 2nd International Conference on Industrial Artificial Intelligence (IAI) N2 - Support vector machine (SVM) is a classification model, which learns the decision surface that maximizes the margin in the feature space. Such a decision surface has a good classification ability for unknown new samples. In real-world applications, the data set usually contains many noises and outliers, which will affect the learning of the decision surface, thus the maximum margin cannot be obtained, and the generalization ability of SVM will be reduced. In this paper, we introduce an adjacency factor to each input point to characterize the local neighbor relationship between each point. Weighting each sample point by the adjacency factor can let different sample points make different contributions to the learning of the decision surface. Thus, we can filter out the influence of noises and outliers on the decision surface by this weighting method. We propose this new method namely local neighborhood reliability weighted support vector machine (LN-SVM). KW - SVM KW - margin KW - local neighbor KW - adjacency factor KW - outlier Y1 - 2020 SN - 978-1-7281-8216-2 SN - 978-1-7281-8217-9 U6 - https://doi.org/10.1109/IAI50351.2020.9262215 SP - 1 EP - 6 PB - IEEE ER - TY - GEN A1 - Sheikhi‐Garjan, Maryam A1 - Giustolisi, Rosario A1 - Schuermann, Carsten T1 - Receipt-Free Electronic Voting from zk-SNARK T2 - Proceedings of the 20th International Conference on Security and Cryptography Y1 - 2023 SN - 978-989-758-666-8 U6 - https://doi.org/10.5220/0012140000003555 SP - 254 EP - 266 PB - SCITEPRESS - Science and Technology Publications ER - TY - GEN A1 - Mitseva, Asya A1 - Lewandowsky, Marco A1 - Panchenko, Andriy ED - Skwarek, Volker ED - Wöhnert, Kai Hendrik ED - Kaven, Sascha ED - Wendzel, Steffen T1 - Whitelisting als Allheilmittel : über die Grenzen der Anomalieerkennung in industriellen Steuerungssystemen T2 - Sicherheit 2026 : Sicherheit, Schutz und Zuverlässigkeit, 17.-19. März 2026, Hamburg : proceedings N2 - Die zunehmende Digitalisierung und Vernetzung industrieller Steuerungssysteme mit dem Internet macht diese anfällig für Cyberangriffe. Ein zentraler Forschungsbereich konzentriert sich daher auf die Entwicklung reaktiver Sicherheitsmechanismen in Form industrieller Intrusion-Detection-Systeme (IIDS), die darauf ausgelegt sind, Anomalien im normalen Systembetrieb zu erkennen. Eine entscheidende Voraussetzung hierfür ist die Identifizierung typischer Verkehrsmuster, die ausschließlich für das normale Verhalten industrieller Steuerungssysteme charakteristisch sind. Im Gegensatz zu früheren Arbeiten, die sich auf komplexe und protokollabhängige Modelle zur Charakterisierung des Netzwerkverkehrs industrieller Steuerungssysteme konzentrierten, schlagen wir in dieser Arbeit einfache, leicht umsetzbare und effektive Regeln vor, um zu ermitteln, ob der Netzwerkverkehr in Industrieanlagen – im Gegensatz zu herkömmlichen IT-Netzwerken – über einen längeren Zeitraum stabil bleibt. Anhand der Analyse mehrerer Datensätze aus nachgebildeten und realen industriellen Steuerungssystemen mit unterschiedlichen industriellen Netzwerkprotokollen zeigen wir, dass aufbauend auf diesen Regeln bereits nach kurzer Beobachtungszeit hinreichend prägnante Muster extrahiert werden können, mit deren Hilfe es möglich ist, gängige Verkehrsveränderungen durch Netzverkehrsangriffe zu erkennen. Dieser Ansatz steht im Gegensatz zu herkömmlichen Machine-Learning-IIDS, die häufig einen beträchtlichen zeitlichen Aufwand für den Trainingsprozess erfordern. Somit stellen wir auch die Frage auf, inwieweit komplexe IIDS für den praktischen Betrieb tatsächlich unabdingbar sind. KW - Steuerungssysteme KW - Datenverkehrsmuster KW - Datensätze KW - Intrusion-Detection-Systeme Y1 - 2026 UR - https://dl.gi.de/items/7b5e1e96-dad3-4843-aca7-77593cd8ddde U6 - https://doi.org/10.18420/sicherheit2026_09 SN - 2944-7682 SP - 103 EP - 114 PB - Gesellschaft für Informatik CY - Bonn ER -