在模拟的汽车制造厂 OT 环境中,Claroty 完成 POC 任务!

S4 大会 首次设立 POC Pavilion

8 家供应商 不同试题 同场考验

2026年的S4大会首次设立POC Pavilion(概念验证展馆)。

由 Booz Allen 提供并运行 OT 环境。

模拟了一个汽车制造厂环境,涵盖制造自动化栈中的MES、SCADA、HMI、PLC。主要设备来自Inductive Automation、罗克韦尔自动化、西门子。

请见下方网络图:

POC Pavilion挑战 就像一场"技术大考":

8 家参展供应商,各自应对不同的"试题",在 OT 环境中安装安全产品、在展位展示解决方案,在舞台上进行演示,并现场回答主持人和观众的提问。

Claroty 应对的"试题":

如何获知 OT 环境中存在哪些网络资产,这些网络资产存在哪些漏洞,哪些措施能最有效地降低相关风险?

Claroty 是 唯一一家 使用动态发现 (Dynamic Discovery)达成目标的供应商

针对目标一(Objective 1),Claroty部署了**具有动态发现(Dynamic Discovery)功能的Claroty xDome。**Cyberworld科明大同 是 Claroty 的总代理商。

动态发现(Dynamic Discovery)方法包括:

  • 主动查询(active queries)实时资产

  • Claroty Edge 集成

凭借这一能力,Claroty在 3 小时内 完成了整个样本环境的资产清单编制。效率远超单纯依赖被动采集的方法。

成果亮点:

  • 整体可视化质量评分86分(满分100分);

  • 成功识别 80 多个设备

  • 30个OT资产被准确分类为PLC、HMI、工程工作站、SCADA系统。

  • 演示了可视化质量公式,强调如何通过Claroty CPS Library的高保真数据获得更优成果。

更值得一提的是,Cisco/Splunk、Elisity、ServiceNow、Frenos都使用了Claroty xDome部署来展示他们各自的应用场景。

Claroty 完美应答 2 道 "突发考题"

OT 环境并非只是罗克韦尔自动化、西门子的传感器、控制器、HMI、数据库,还存在一些意外挑战,迫使Claroty应对未知情况。

  • 6104端口突破,发现Monigear温度传感器

有两个此前从未见过的Monigear温度传感器。

虽然它们出现在规格表中,但其厂商对设备的MQTT通信进行了加密,任何被动采集方法都无法解析。

为此,Claroty购买设备进行研究,发现当其在本地子网通信时,会在6104端口以明文响应本地发现请求。

借助这一突破,Claroty Edge获得深度可视化,提取必要信息,成功发现了该设备。

  • 从消失到归来,发现Opto 22控制器

组织方在不同日期断开并重新连接Opto 22控制器,且未提前告知。

在它首次接入时,Claroty的动态发现(Dynamic Discovery)就识别出来。

之后断连,Claroty未能获取其详细信息。

Claroty预料它会再次出现,提前准备了一系列主动查询(active queries)。

果然,当它再次上线时,Claroty成功获取了包括工作固件版本(working firmware versions)在内的详细信息。

Claroty是唯一做到这一点的供应商,既能识别出Opto 22控制器,又能获取其详细信息。

Claroty 的深度可视化,帮助识别漏洞、明确行动优先级

通过动态发现(Dynamic Discovery)获得的深度可视化,Claroty清楚地了解网络中的资产情况,从而达成目标二(Objective 2)------全面且准确地识别漏洞和暴露情况、明确风险缓解措施的优先级。

Claroty的采集结果为漏洞检测提供了坚实基础:

  • 在OT环境中识别出168个漏洞

  • 其中6台核心设备存在严重的、可通过网络利用的漏洞;

  • 这些漏洞,已在真实环境中被黑客利用,设备仍与互联网保持活跃通信,风险暴露尤为严重。

基于深度可视化,Claroty提出了多项风险 缓解措施

  • 软件打补丁,修复已知漏洞;

  • 固件更新,提升设备安全性;

  • 禁用未使用服务的关键端口,减少攻击面;

  • 更新不安全配置,强化系统防护。

Claroty 在 POC Pavilion 验证实力,深度可视化+漏洞识别+风险缓解

Claroty在POC Pavilion的表现证明了:

  • **发现方法多:**主动查询(active queries)与 Edge 集成并行,突破被动采集的局限。

  • **发现速度快:**3 小时内完成资产清单,效率远超常规方式。

  • **发现深度强:**不仅能识别资产的名称、型号与类别(如 PLC 或 HMI),还能采集版本、序列号、机架槽位等关键信息。

  • **数据质量高:**采集的数据真实、准确、可信,可帮助快速识别漏洞、提供可按优先级采取的具体缓解措施。

相关推荐
PCGuo9991 天前
BMS中电池充放电倍率?新能源汽车3C快充和5C快充是什么?充电并非倍率越大越好?
科技·车载系统·汽车·能源·新能源·bms·动力电池
谁似人间西林客1 天前
汽车智能制造预测性维护关键技术与案例实践有哪些?
汽车·制造
Mr.Fu!1 天前
AUTOSAR FIM
汽车
workflower1 天前
深度学习是通用型人工智能的基础
人工智能·深度学习·设计模式·软件工程·软件构建·制造
米码收割机1 天前
【Android】基于安卓app的汽车租赁管理系统(源码+部署方式+论文)[独一无二]
android·汽车
永霖光电_UVLED1 天前
氧化镓高体积热容的特性,集成高介电常数界面的结侧冷却架构
人工智能·生成对抗网络·架构·汽车·制造
b***25111 天前
动力电池气动点焊机:新能源汽车制造的核心工艺装备|深圳比斯特
汽车·制造
昨夜见军贴06161 天前
IA-Lab AI 检测报告生成助手:贯通电磁兼容与充电桩检测,打造新能源汽车报告全链路合规新体系
人工智能·汽车
zml.~1 天前
基于 Spark 的新能源汽车大数据分析全流程实践
数据分析·spark·汽车
虹科Pico汽车示波器1 天前
汽车免拆诊断案例 | 2015 款奔驰 E260L 车发动机无法起动
汽车·汽车示波器·can总线·发动机故障·启动故障·总线故障·奔驰e260