Diese Forschung befasst sich mit der wachsenden Anfälligkeit veralteter SCADA-Netzwerke in kritischen Infrastrukturen gegenüber hochentwickelten cyber-physischen Angriffen. Diese Systeme, die häufig ungesicherte Protokolle wie Modbus und DNP3 verwenden, sind durch herkömmliche, signaturbasierte Intrusion-Detection-Systeme unzureichend geschützt. Diese Studie schlägt ein autonomes Framework zur Anomalieerkennung vor, das Deep Learning nutzt, um Bedrohungen in Echtzeit zu identifizieren. Durch die Analyse von Betriebsdaten erlernen Modelle wie der LSTM-Autoencoder normale Verhaltensmuster und melden Abweichungen mit hoher Genauigkeit. Das entwickelte System zeigt eine überlegene Leistung bei der Erkennung von getarnten Angriffen wie False Data Injection und Befehlsmanipulation, wodurch die Erkennungslatenz erheblich reduziert wird. Dieser datengesteuerte Ansatz bietet einen proaktiven Sicherheitsmechanismus, der die Systemresilienz ohne kostspielige Infrastruktur-Upgrades erhöht. Er stellt einen entscheidenden Schritt hin zu einer intelligenten, adaptiven Verteidigung dar, um wesentliche Dienste gegen sich entwickelnde Cyber-Bedrohungen zu schützen und die Betriebskontinuität und Sicherheit zu gewährleisten. Das Framework integriert kontinuierliche Lernfunktionen, die es ermöglichen, sich an neue Bedrohungen und Verkehrsmuster anzupassen. Experimentelle Bewertung über Simulationen hinweg.