Cyber–Physical System acts as a cornerstone in Industry 4.0 by integrating information-technology, electrical, and mechanical engineering under the same crown. This cybernetic–mechatronic augmentation expanded the attack vectors in critical infrastructure’s network, which gained the attraction of both cyber-offenders and cybersecurity researchers. Though the recent research works focus on developing proficient cybersecurity mechanisms, they often fail to address the major challenges such as handling the unseen zero-day exploits and detecting data irregularities that result in a poor attack detection rate. Hence to address the aforementioned challenges, this research article proposes an intelligent multi-level intrusion detection system to detect data-abnormalities in process-control network packets. The proposed approach involves the following phases: (i) Bloom-filter based payload level detection, (ii) partition-based Kohonen mapping for learning abnormal data patterns using a deep version of Kohonen neural network enhanced by principal component analysis and partitioning property of Hypergraph, and (iii) BLOSOM – a hybrid anomaly detection model. The impact of the proposed approach has been validated with the high-dimensional and heterogeneous benchmark datasets obtained from Mississippi State University (Gas-pipeline dataset) and Singapore University of Technology and Design (Secure WAter Treatment dataset). The proposed approach outscores the existing State-of-the-art approaches in terms of Precision, Recall, F-Score & Classification Accuracy and found to be robust, scalable & computationally attractive.

网络物理系统通过将信息技术，电气和机械工程集成在同一冠上，成为工业4.0的基石。这种控制论-机电一体化的扩展扩展了关键基础设施网络中的攻击媒介，这吸引了网络犯罪分子和网络安全研究人员的注意。尽管最近的研究工作集中在开发熟练的网络安全机制上，但是它们通常无法解决主要挑战，例如处理看不见的零时差攻击和检测导致攻击检测率低的数据不规则性。因此，为了解决上述挑战，本文提出了一种智能的多级入侵检测系统，以检测过程控制网络数据包中的数据异常。所提出的方法涉及以下阶段：（i）基于Bloom-filter的有效载荷级别检测；（ii）基于分区的Kohonen映射，用于使用深度版本的Kohonen神经网络来学习异常数据模式，并通过Hypergraph的主成分分析和分区特性对其进行了增强和（iii）BLOSOM-混合异常检测模型。已从密西西比州立大学（天然气管道数据集）和新加坡科技设计大学（安全废水处理数据集）获得的高维和异构基准数据集验证了该方法的影响。提出的方法在精度，召回率，F分数和分类准确性方面优于现有的最新方法，并且被认为是健壮，可扩展且在计算上具有吸引力的。（i）基于Bloom-filter的有效载荷级别检测；（ii）使用深度图的Kohonen神经网络通过基于Hypergraph的主成分分析和分区特性增强的，用于学习异常数据模式的基于分区的Kohonen映射，以及（iii）BLOSOM –混合异常检测模型。已从密西西比州立大学（天然气管道数据集）和新加坡科技设计大学（安全废水处理数据集）获得的高维和异构基准数据集验证了该方法的影响。提出的方法在精度，召回率，F分数和分类准确性方面优于现有的最新方法，并且被认为是健壮，可扩展且在计算上具有吸引力的。（i）基于Bloom-filter的有效载荷级别检测；（ii）使用深度图的Kohonen神经网络通过基于Hypergraph的主成分分析和分区特性增强的，用于学习异常数据模式的基于分区的Kohonen映射，以及（iii）BLOSOM –混合异常检测模型。已从密西西比州立大学（天然气管道数据集）和新加坡科技设计大学（安全废水处理数据集）获得的高维和异构基准数据集验证了该方法的影响。提出的方法在精度，召回率，F分数和分类准确性方面优于现有的最新方法，并且被认为是健壮，可扩展且在计算上具有吸引力的。（ii）使用深度版本的Kohonen神经网络通过基于分区的Kohonen映射来学习异常数据模式，该版本通过Hypergraph的主成分分析和分区特性得到增强，并且（iii）BLOSOM –混合异常检测模型。已从密西西比州立大学（天然气管道数据集）和新加坡科技设计大学（安全废水处理数据集）获得的高维和异构基准数据集验证了该方法的影响。拟议的方法在精度，召回率，F分数和分类准确性方面优于现有的最新方法，并且被认为是健壮，可扩展且在计算上具有吸引力的。（ii）使用深度版本的Kohonen神经网络通过基于分区的Kohonen映射来学习异常数据模式，该版本通过Hypergraph的主成分分析和分区特性得到增强，并且（iii）BLOSOM –混合异常检测模型。已从密西西比州立大学（天然气管道数据集）和新加坡科技设计大学（安全废水处理数据集）获得的高维和异构基准数据集验证了该方法的影响。提出的方法在精度，召回率，F分数和分类准确性方面优于现有的最新方法，并且被认为是健壮，可扩展且在计算上具有吸引力的。