Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 232-239.

Digitalization makes Industrial Control Systems (ICS) like Secure Water Treatment(SWaT) testbeds more vulnerable to cyberattacks and operational abnormalities.These systems require advanced cybersecurity and operational optimizationmethods to maintain integrity, efficiency, and resilience. The integratedcybersecurity approach in this work uses deep learning for anomaly detectionand Adam’s Optimizer for self-tuning control to improve system performanceand security. We tested various deep learning models, such as LSTM, BiLSTM,BiGRU, CNN, CNN-LSTM hybrids, and MLP, using operational data from ascaled-down water treatment plant using the SWaT A1 & A2-Dec 2015 dataset.Sensor and actuator flow rates, pressures, and temperatures were anticipated usingthese models. Next, classify cyberattack points using binary and multi-label
tasks. Ensemble approaches improved classification and prediction accuracy. TheBiGRU model has the lowest MAE of 1.1968, MSE of 44.8929, and RMSE of6.7002, as well as the highest R-squared coefficient of 0.9990. In cybersecurityclassification, the CNN-LSTM hybrid model achieved a 99.3% macro F1-scorein binary classification and 99.6% in multi-label classification. These findingsshow that deep learning systems accurately forecast operational anomalies and
cyber risks. Based on these findings, we offer a self-tuning control architecturethat dynamically adapts system parameters to identified abnormalities and securitybreaches, improving operational stability and resilience. Predictive analyticsand automatic control modifications provide real-time cybersecurity and operationalinefficiency response. This research advances ICS by protecting criticalinfrastructure from cyberattacks and optimizing operational performance usingintelligent control techniques. The high precision in anomaly detection cyberattackclassification and self-tuning control provide a solid solution for industrialsystem security and efficiency.

إن إرساء نهج للأمن السيبراني أمر حيوي في المشهد التكنولوجي المعاصر لمنهجيات أنظمة التحكم الصناعي. تعمل أنظمة التحكم الصناعي كحجر الأساس للبنية الأساسية وتوفر قدرات حيوية. تشمل العديد من القطاعات مثل البناء والنقل والطاقة ومعالجة المياه. هذه القطاعات ضرورية للحفاظ على المرونة الاجتماعية والاستقرار الاقتصادي والازدهار الشامل للأمة. وتعد هذه الخدمات ضرورية للسلامة للأنظمة. وتمثل أنظمة التحكم الصناعي ركيزة ضرورية لتقدم وتعزيز التكنولوجيا والاتصالات. وتعد مواجهة فئات مختلفة من الاختراقات او الهجمات السيبرانية والتي تمثل نقاط ضعف تعرض سلامة مثل هذه الأنظمة الأساسية للخطر.
ويتم إدارة بيانات أنظمة التحكم الصناعي (ICS) المعاصرة عن طريق استخدام نمط بيانات السلاسل الزمنية المتعددة المتغيرات (MTS) والممثلة للقراءات من أجهزة الاستشعار والمشغلات لإشارات التحكم، مما يجعلها عرضة للاختراق وللهجمات الإلكترونية التي يمكن أن تغير هذه القيم. وقد ظهر التعلم الآلي (ML)، وخاصة استخدام الشبكات العصبية العميقة (DNNs)، كأداة فعالة لتعزيز الأمن السيبراني في البنية التحتية الحرجة من خلال تحليل مجموعات البيانات الكبيرة واكتشاف الاختراقات والأنماط للقيم المتطرفة. وقد ظهرت محطات معالجة المياه الآمنة (SWaT)، وهي بيئة محاكاة متطورة لنظام التحكم الصناعي، كمنصة حاسمة للأكاديميين لدراسة محطات المياه لتقييم فعالية الحلول المقترحة لاختراقات الأمن السيبراني . يمكن للباحثين استخدام بيانات محطات معالجة المياه الآمنة (SWaT) لمحاكاة الهجمات الإلكترونية المختلفة وتقييم فعالية خوارزميات الكشف عن الاختراق القائمة على الشبكات العصبية والتحكم الذاتي الضبط فيها. تتألف الدراسة الحالية من خمسة فصول، فصل المقدمة وهو تمهيد لتحديد الاستراتيجية العامة ومنهجية الدراسة واليات تنفيذها. وتقدم هذه الفصول نظرة عامة شاملة للموضوع البحثي للدراسة

Issues also as CD.

Text in English and abstract in Arabic & English.