[發明專利]一種基于對抗學習的工業控制系統惡意樣本生成方法

有效

• 申請號: 201910011642.4
• 申請日: 2019-01-07
• 公開（公告）號: CN109902709B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 程鵬;何陽;陳積明;王文海;孫優賢
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜;邱啟旺

1.一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，包含以下步驟；

(1)對抗樣本生成者對工業控制系統通信數據進行嗅探，獲得與工業控制入侵檢測系統所使用的訓練數據同分布的通信數據，并對通信數據標記類別標簽，其中的異常通信數據作為原始攻擊樣本；

(2)對工業控制系統通信數據進行協議解析工作，識別、提取其中有效特征，包括：通信數據的源IP地址SIP、源端口號SP、目的IP地址DIP、目的端口號DP、包間隔時間Time delta、包發送時間Time、包功能碼Function code；

(3)根據步驟(2)提取的有效特征建立機器學習分類器，利用有標簽的工業控制系統通信數據對機器學習分類器進行訓練，得到訓練好的用于分辨正?；虍惓Ｍㄐ艛祿姆诸惼?；

(4)利用步驟(3)建立的分類器，將工業控制入侵檢測系統的對抗學習問題轉化成如下優化問題，求解優化問題得到最終的對抗樣本；

x^*＝arg min g(x)

s.t.d(x^*,x⁰)＜d_max

其中g(x)為對抗樣本x^*被判為異常樣本的可能性，通過分類器計算得到；d(x^*,x⁰)為對抗樣本和原始攻擊樣本的距離，d_max表示工業控制系統允許的最大歐式距離，即超過此距離對抗樣本無惡意效果；

(5)將步驟(4)生成的對抗樣本在實際工業控制系統中進行測試，若能成功繞過工業控制入侵檢測系統并且保留攻擊效果則視為有效的對抗樣本，否則舍棄該對抗樣本。

2.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(1)中，對抗樣本生成者應為黑盒攻擊者，不能直接獲得與工業控制入侵檢測系統即檢測方完全相同的數據。

3.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(2)中，針對不同的工業控制系統通信協議可以提取出不同的有效特征；常用的工業控制系統通信協議包括Modbus、PROFIBUS、DNP3、BACnet、Siemens S7；其中每種通信協議有對應的格式與應用場景，根據具體場景可以解析不同的通信協議，得出有效特征集合。

4.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(3)中，對抗樣本生成者訓練所用的分類器可以是和工業控制入侵檢測系統不一樣的分類器，對抗樣本生成者生成的分類器可被稱為對抗學習的本地替代模型，其原理是對抗學習攻擊的可遷移性。

5.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(4)中，具體優化問題解法包括梯度下降法、牛頓法、COBYLA方法。

6.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(4)中，距離的表達方法包括一范式距離、二范式距離、無窮范式距離。

7.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(4)中，機器學習分類器采用神經網絡，其概率計算方式如下：

其中p為預測概率，x⁽ⁱ⁾為樣本x的第i個特征，y為樣本x所對應的標簽h，θ為神經網絡參數，θ_j為標簽j對應的神經網絡參數，k為標簽的總數。

8.根據權利要求1所述的一種基于對抗學習的工業控制系統惡意樣本生成方法，其特征在于，所述步驟(4)中，對于特定控制場景，需要在優化問題中加入對變量的特殊約束，即該方法在應用時，為保證生成的對抗樣本能有效的完成惡意攻擊效果，生成者需要根據特定的場景對特定維度的變量在做優化問題設計時加上不同的約束條件。