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

在審

• 申請?zhí)枺?/td>: 202110418515.3
• 申請日: 2021-04-19
• 公開（公告）號: CN113065606A
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計）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（專利權(quán)）人: 北京石油化工學(xué)院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京細(xì)軟智谷知識產(chǎn)權(quán)代理有限責(zé)任公司 11471
• 代理人: 趙洋洋

本發(fā)明涉及一種基于輕量級深度學(xué)習(xí)的異常點位檢測方法及系統(tǒng)，該方法通過構(gòu)建輕量級卷積神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行模型訓(xùn)練，得到異常點位檢測模型，從而實現(xiàn)從生產(chǎn)現(xiàn)場實測數(shù)據(jù)集中定位出可能被攻擊的異常點位數(shù)據(jù)，由于本發(fā)明提供的技術(shù)方案，是基于輕量級卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)的，在保證正確率的情況下，算法模型小、訓(xùn)練速度快，并能夠識別可能的被攻擊點位，解決了現(xiàn)有技術(shù)中安全防護(hù)系統(tǒng)只能給出生產(chǎn)數(shù)據(jù)是否異常的分類結(jié)果，但不能識別哪些點位受到攻擊的問題，用戶體驗度好、滿意度高。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體涉及一種基于輕量級深度學(xué)習(xí)的異常點位檢測方法及系統(tǒng)。

背景技術(shù)

工業(yè)控制系統(tǒng)廣泛應(yīng)用于電力，石油石化，交通，水利，燃?xì)猓詠硭撹F，先進(jìn)制造等基礎(chǔ)設(shè)施，是國家經(jīng)濟(jì)發(fā)展的支柱，涉及到人民生活的方方面面。

近年來，工控系統(tǒng)安全事件頻發(fā)。2010年伊朗的“震網(wǎng)”病毒通過篡改PLC控制指令，修改了伊朗布什爾核電站IR-1型離心機轉(zhuǎn)子的轉(zhuǎn)速。讓其轉(zhuǎn)速提高了1/3，持續(xù)運行15分鐘后又讓離心機停下來幾乎不轉(zhuǎn)。接著又全速運轉(zhuǎn)，每次50分鐘。離心機偶爾超過臨界速度，產(chǎn)生諧波，毀壞轉(zhuǎn)子。可以看出入侵者對核工業(yè)控制系統(tǒng)非常熟悉，知道哪個點位能產(chǎn)生有效攻擊。

震網(wǎng)病毒向世人揭示，攻擊者在其對工控生產(chǎn)過程的理解基礎(chǔ)上，可以通過篡改數(shù)據(jù)和發(fā)出偽指令對重要基礎(chǔ)設(shè)施進(jìn)行破壞，這類攻擊往往是致命的。而傳統(tǒng)的工控安全的研究主要集中在防火墻、入侵檢測或誘捕系統(tǒng)方面，缺乏入侵后的應(yīng)對措施。傳統(tǒng)的安全防護(hù)系統(tǒng)都能夠?qū)た厣a(chǎn)數(shù)據(jù)超限的情況報警，但是難以發(fā)現(xiàn)所有點位數(shù)據(jù)在各自正常值范圍內(nèi)的異常情況。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于輕量級深度學(xué)習(xí)的異常點位檢測方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中無法定位出生產(chǎn)數(shù)據(jù)中異常點位數(shù)據(jù)的問題。

為實現(xiàn)以上目的，本發(fā)明采用如下技術(shù)方案：

根據(jù)本發(fā)明實施例的第一方面，提供一種基于輕量級深度學(xué)習(xí)的異常點位檢測方法，包括：

構(gòu)建輕量級卷積神經(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，對所述輕量級卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到異常點位檢測模型；

獲取生產(chǎn)現(xiàn)場實測數(shù)據(jù)集，根據(jù)所述異常點位檢測模型，從所述生產(chǎn)現(xiàn)場實測數(shù)據(jù)集中定位出可能被攻擊的異常點位數(shù)據(jù)。

優(yōu)選地，所述構(gòu)建輕量級卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

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

根據(jù)Batch Normalization算法對所述輕量級卷積神經(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方法對所述輕量級卷積神經(jīng)網(wǎng)絡(luò)模型的池化層進(jìn)行隨機剪枝，以防止網(wǎng)絡(luò)過擬合。

優(yōu)選地，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。

優(yōu)選地，所述對所述輕量級卷積神經(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列向量樣本；

對每個列向量樣本，進(jìn)行獨列模板卷積，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；

對拼接后的訓(xùn)練樣本，進(jìn)行橫向模板卷積；