Industrial Cybersecurity Zeitreihe umgewandelt, wobei statistische Merkmale berechnet werden, z. B. die Anzahl der Netzwerkpakete pro Sekunde oder die Zwischenankunftszeit der Pakete. Auf Basis dieser Merk- male werden Schwellenwerte berechnet und ein maschinelles Lernmodell trainiert. Die Schwellenwerte ermöglichen eine erste Unterscheidung zwischen normalem und verdächtigem Netzwerkverkehr, während das maschinelle Lernmodell die Klassifizierung verschiedener Cyberangriffe im verdächtigen Verkehr gemäß dem MITRE-ATT&CK-ICS-Klassifikationsschema erlaubt [3]. CyberClas+ ist ein zentraler Baustein eines umfassenden Systems namens CyReM-ICS zur Überwachung der Cyber-Resilienz. Neben der Überwachung des Netzwerkverkehrs ermöglicht das System die Analyse von Syslog-Daten, um Angriffe direkt auf Geräteebene zu identifizieren. Es ermittelt Geräteinformationen wie Artikelnummern und bekannte Schwachstellen, was einen aktuellen Überblick über potenzielle Risiken bietet. Alle relevan- ten Informationen werden gebündelt bereitgestellt, damit Ver- antwortliche die Sicherheitslage effizient bewerten und auf Vorfälle schnell reagieren können. In einer industriellen Testumgebung wurde die Funktionsweise von CyberClas+ unter realen Bedingungen evaluiert (siehe Abb. 2). Dabei konnten 14 unterschiedliche Cyberangriffe erfolgreich erkannt und voneinander unterschieden werden, wobei die Klassifikationsgenauigkeit bei 97 Prozent lag. Zudem konnte durch die initiale Unterscheidung mittels Schwellenwerten die Ausführungsdauer im Vergleich zu klassischen Ansätzen um das bis zu 16-Fache reduziert werden. CyberClas+ ist eine solide Grundlage für automatisierte Gegen- maßnahmen für Cyberangriffe, wie beispielsweise die Netzwerk- segmentierung [4]. Diese Technik teilt das Netzwerk in kleinere, isolierte Segmente auf, was die Ausbreitung von Angriffen unterbindet und somit die Sicherheit der Produktionssysteme erhöht. Für Unternehmen hat der Einsatz von CyberClas+ mehrere Vorteile: 1. Erkennung und Klassifizierung von Cyberangriffen in Echtzeit, was die Reaktionszeit bei Vorfällen reduziert. 2. Effizienter Betrieb auch auf Hardware mit begrenzten Ressourcen, um Kosten einzusparen. 3. Robustheit gegenüber neuen Bedrohungen durch die Fähigkeit, unbekannte Angriffe zu erkennen. 4. Erhöhte Sicherheit schützt vor Produktionsausfällen und finanziellen Verlusten. 5. Unterstützung bei der Einhaltung gesetzlicher Anfor- derungen, wie der NIS-2-Richtlinie. Cyber Detect: Security Monitoring mit CyberClas+ Industrielles Steuerungssystem Abb. 2: Die industriellen Testumgebung zur Evaluierung des CyberClas+-Lösungsansatzes. 1 J. Otto, B. Vogel-Heuser, O. Niggemann. Automatic parameter estimation for reusable software components of modular and reconfigurable cyber-physical production systems in the domain of discrete manufacturing. IEEE Transactions on Industrial Informatics, 14(1), 2018. DOI: 10.1109/TII.2017.2718729. 2 F. Specht, J. Otto. Efficient Machine Learning-based Security Monitoring and Cyberattack Classification of Encrypted Network Traffic in Industrial Control Sys- tems. IEEE 29th International Conference on Emerging Technologies and Factory Automation (ETFA), September 2024. DOI: 10.1109/ETFA61755.2024.10711134. 3 O. Alexander, M. Belisle, J. Steele. Mitre att&ck for industrial control systems: Design and philosophy. The MITRE Corporation: Bedford, MA, USA, vol. 29, 2020. 4 J. Otto, N. Grüttemeier, F. Specht. Security Decisions for Cyber-physical Systems based on Solving Critical Node Problems with Vulnerable Nodes. AAAI-Works- hop on AI Planning for Cyber-Physical Systems (CAIPI’24), Vancouver, Canada, 2024. DOI: 10.48550/arXiv.2406.10287. 15