[發(fā)明專利]一種基于輕量級(jí)深度學(xué)習(xí)的異常點(diǎn)位檢測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110418515.3
• 申請(qǐng)日: 2021-04-19
• 公開（公告）號(hào): CN113065606A
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 沙蕓;陳建萍;晏涌;劉學(xué)君;曹雪瑩;陳兆玉;張小妮;杜晨晨
• 申請(qǐng)（專利權(quán)）人: 北京石油化工學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京細(xì)軟智谷知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11471
• 代理人: 趙洋洋

1.一種基于輕量級(jí)深度學(xué)習(xí)的異常點(diǎn)位檢測(cè)方法，其特征在于，包括：

構(gòu)建輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型；

獲取訓(xùn)練樣本集，根據(jù)所述訓(xùn)練樣本集，對(duì)所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到異常點(diǎn)位檢測(cè)模型；

獲取生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集，根據(jù)所述異常點(diǎn)位檢測(cè)模型，從所述生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集中定位出可能被攻擊的異常點(diǎn)位數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

構(gòu)建所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型的基本拓?fù)浣Y(jié)構(gòu)；

根據(jù)Batch Normalization算法對(duì)所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型中的卷積層的輸出進(jìn)行批量歸一化；

根據(jù)Dropout方法對(duì)所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型的池化層進(jìn)行隨機(jī)剪枝，以防止網(wǎng)絡(luò)過擬合。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取訓(xùn)練樣本集，包括：

新加坡科技大學(xué)網(wǎng)絡(luò)安全研究中心2018年構(gòu)建的攻擊水廠工控系統(tǒng)的C-Town水分配數(shù)據(jù)集；及，

密西西比州立大學(xué)關(guān)鍵基礎(chǔ)設(shè)施保護(hù)中心2014年構(gòu)建的SCADA天然氣管道數(shù)據(jù)集；及，

自建的油庫工控系統(tǒng)生產(chǎn)數(shù)據(jù)集。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

將訓(xùn)練樣本集中的原始訓(xùn)練樣本縱向打散為多個(gè)列向量樣本；

對(duì)每個(gè)列向量樣本，進(jìn)行獨(dú)列模板卷積，得到多張?zhí)卣鲌D；

將所述特征圖拼接起來，還原成原始訓(xùn)練樣本；

對(duì)拼接后的訓(xùn)練樣本，進(jìn)行橫向模板卷積；

讀取橫向模板卷積過程中的中間結(jié)果；

按特征圖權(quán)值的大小，對(duì)所述中間結(jié)果進(jìn)行排序；

將特征圖權(quán)值大于預(yù)設(shè)值的中間結(jié)果所對(duì)應(yīng)的列數(shù)據(jù)，確定為可能被攻擊的異常點(diǎn)位數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將訓(xùn)練樣本集中的原始訓(xùn)練樣本縱向打散為多個(gè)列向量樣本，具體為：

設(shè)原始訓(xùn)練樣本為包含N維特征的數(shù)據(jù)樣本，其中，N≥1，為正整數(shù)；

將數(shù)據(jù)樣本按列打散成若干個(gè)大小為N₁*1的圖片，其中，N₁＜N，為正整數(shù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)每個(gè)列向量樣本，進(jìn)行獨(dú)列模板卷積，具體為：

對(duì)任一所述大小為N₁*1的圖片，放到Lenet網(wǎng)絡(luò)結(jié)構(gòu)中，分別用大小為3*1、5*1、7*1的卷積核進(jìn)行獨(dú)列模板卷積。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述對(duì)拼接后的訓(xùn)練樣本，進(jìn)行橫向模板卷積，具體為：

對(duì)拼接后的訓(xùn)練樣本，用大小為1*N的卷積核進(jìn)行橫向模板卷積。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集之后，還包括：

對(duì)所述生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行數(shù)值化和歸一化處理；

根據(jù)時(shí)間序列，將數(shù)值化和歸一化處理后的數(shù)據(jù)拼接為二維矩陣，作為所述所述異常點(diǎn)位檢測(cè)模型的輸入數(shù)據(jù)。

9.一種基于輕量級(jí)深度學(xué)習(xí)的異常點(diǎn)位檢測(cè)系統(tǒng)，其特征在于，包括：

構(gòu)建模塊，用于構(gòu)建輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型；

訓(xùn)練模塊，用于獲取訓(xùn)練樣本集，根據(jù)所述訓(xùn)練樣本集，對(duì)所述輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到異常點(diǎn)位檢測(cè)模型；

定位模塊，用于獲取生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集，根據(jù)所述異常點(diǎn)位檢測(cè)模型，從所述生產(chǎn)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)集中定位出可能被攻擊的異常點(diǎn)位數(shù)據(jù)。

10.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，

所述程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1～8任一項(xiàng)所述的方法步驟。