[发明专利]工业控制系统异常检测方法、设备和服务器、存储介质

说明书

本申请涉及计算机技术领域，特别涉及一种工业控制系统异常检测、设备和服务器、存储介质。其中，方法包括：获取历史流量数据集合，对历史流量数据集合中的任一历史流量数据进行降噪处理，得到任一历史流量数据的特征向量；将特征向量输入至数据流量预测模型中，输出后续数据流量的预测特征向量；根据后续数据流量的预测特征向量与后续数据流量的真实特征向量，调整数据流量预测模型的参数，以使更新后的后续预测特征向量满足预设要求。本申请解决了现有技术中存在的工业控制系统异常检测方法检测准确低的技术问题。

技术领域

本申请涉及计算机技术领域，特别涉及一种工业控制系统异常检测方法、设备和服务器、存储介质。

背景技术

工业控制系统(Industrial Control System，ICS)是指用于操作、控制、辅助自动化工业生产过程的设备、系统、网络以及控制器的集合，包括数据采集与监控系统(SCADA，Supervisory control and data acquisition)，分布式控制系统(DCS，DistributedControl System)和执行控制功能的其他系统。工业控制系统广泛应用于各行各业，包括能源、电力、石油、交通、化工等，在国家基础设施中扮演着至关重要的角色，关系着国计民生。因此，一旦被攻击成功，将会为国家带来极其严重甚至不可挽回的损失，很容易成为攻击者的目标。

目前现有的工业控制系统的异常检测方法中主要是一些机器学习算法，根据检测方法，可以将其分为三类：1.基于概率的方法，如基于统计和贝叶斯方法的异常检测，可以预测未知的异常情况；2.基于规范的方法，通过预设规范来设定正常的状态，但是会导致规则冗余；3.基于行为的方法，通过获取攻击、故障等异常的行为模式，建立异常数据库。

这些现有的用于识别异常的检测方法大多都是在假设具有少量特征的小数据集的条件下完成的。通常利用已标记的数据训练异常检测算法，即以有监督的方式训练。然而，获得大量干净的已标记训练数据集通常需要耗费大量劳动力和大量时间。而且，对于包含大量记录的高维数据集的异常检测更为复杂。

为了获得一个良好的异常检测模型，首先需要获得高质量的数据，并利用有效的方法进行相关的数据处理，提取数据中有效的特征，去除冗余特征。另一方面，需要寻找有效的方法对高维数据进行降维。

另一方面，大部分基于工业控制系统网络事件日志构建的异常检测方法，对于未知或新型攻击的检出率较低，而且难以发现基于物理层面的攻击。

有鉴于此，需要重新设计一种方法以克服上述缺陷。

发明内容

本申请实施例提供一种工业控制系统异常检测方法、装置、智能设备和存储介质，用以解决现有技术中存在的工业控制系统异常检测方法检测准确低的技术问题。

本申请实施例提供的具体技术方案如下：

本申请实施例的第一方面，提供一种据流量预测模型训练方法，包括：

获取历史流量数据集合；

对所述历史流量数据集合中的任一历史流量数据进行降噪处理，得到所述任一历史流量数据的特征向量；

将所述特征向量输入至数据流量预测模型中，输出后续数据流量的预测特征向量，其中，所述数据流量预测模型包括：依次连接的一维卷积神经网络和GRU神经网络，所述后续数据流量为处于所述任一历史流量数据的下一时刻的数据流量；

根据所述后续数据流量的预测特征向量与所述后续数据流量的真实特征向量调整所述数据流量预测模型的参数，以使更新后的所述后续预测特征向量满足预设要求。

本申请实施例的第二方面，提供一种工业控制系统异常检测方法，包括：

获取所述工业控制系统的第一时刻的数据流量；