Uma nova abordagem é proposta para a construção de modelos de detectores de anomalias utilizando aprendizagem supervisionada a partir dos traços de operações normais e anormais de um Sistema de Controle Industrial (ICS). Esses detectores são valiosos na detecção de anomalias de processos em infraestruturas críticas complexas, como geração de energia e sistemas de tratamento de água. Os traços são obtidos por “fuzzing” sistemático, ou seja, manipulando as leituras do sensor e as ações do atuador de acordo com os limites/partições que definem o estado do sistema. A abordagem proposta é testada em um banco de testes de Tratamento Seguro de Água (SWaT) – uma réplica de uma estação de purificação de água do mundo real, localizada na Universidade de Tecnologia e Design de Cingapura. Vários classificadores supervisionados são treinados usando os traços obtidos do SWaT. A eficácia da abordagem proposta é demonstrada através da avaliação empírica dos classificadores supervisionados sob diversas métricas de desempenho. Por último, mostra-se que a abordagem supervisionada resulta em taxas de falsos positivos significativamente mais baixas em comparação com as não supervisionadas.