[发明专利]一种数控系统网络入侵防范系统及方法

说明书

本发明属于网络入侵防范技术领域，公开了一种数控系统网络入侵防范系统及方法，数控系统网络入侵防范系统包括：通过在被保护机器上运行工作程序，其中有四个模块分别为数据包捕获模块，预处理模块，检测模块和报警模块，四个模块配合工作，提供对异常流量和攻击性数据的防范功能；主机上运行服务器程序，包括前端页面，自定义安全规则模块，处理报警信息模块和监控工作程序状态模块，供系统管理员修改自定义安全规则并发布规则到工作程序以及修改报警行为。本发明结合了基于深度学习的异常流量检测技术和基于安全规则的匹配技术的优点，使得对于攻击性数据的检测更加完善，具有满足国防工业信息安全要求的网络安全功能。

技术领域

本发明属于网络入侵防范技术领域，尤其涉及一种数控系统网络入侵防范 系统及方法。

背景技术

目前，网络入侵是网络中最普遍的攻击行为，对数据的安全造成隐患，由 于涉及到网络安全的各个层面，入侵防范存在一定困难。本课题拟通过加强管 理并采用必要的技术手段减少入侵和攻击行为，避免因入侵和攻击造成的各种 损失。网络入侵防范技术应具有实时收集流入目标网络内所有数据包的能力， 并对收集的数据包进行协议分析并发现其中的入侵行为，并能发现欺骗检测的 行为，同时，能够对入侵行为进行预先拦截，防止入侵行为进入目标网络，对 目标网络内的异常流量进行检测。

在智能数控机床出现之后，数控机床也具有了连接网络的能力，这使得远 程监控以及操控，网络内协调工作等等成为了可能。

由于计算机网络的开放性，互联性的特征，这是计算机网络易受黑客与恶 意软件和其他不法行为的攻击，如：窃取数据，使机床不能正常工作等等。

但目前并没有正式的数控网络整体安全架构和安全通信协议，也没有适用 于智能化数控系统的网络入侵防范技术。

智能化数控系统网络内的流量具有鲜明的特征，采用基于深度学习的流量 异常检测是非常有效的。网络异常流量检测技术多是基于深度学习算法的异常 检测技术，它们是一种动态的监测实体，是对于传统的网络防火墙静态技术的 补充。基于深度学习的异常检测方法主要有以下问题：(1)该类方法提取特征的 鲁棒性较差，当输入数据含有噪声时，其攻击检测性能变差；(2)当被测数据遭 到破坏时，该类方法检测准确率降低；(3)有些神经网络方法需先将网络流量转 换为图像，加大了数据处理负担，且未充分考虑网络结构信息对提取特征准确 性的影响。

有鉴于此，本发明提出了一种能够有效利用深度学习算法的优点，并在其 基础之上进一步提高检测的成功率和检测规则的可定制性的网络入侵防范技 术。

通过上述分析，现有技术存在的问题及缺陷为：

(1)目前并没有正式的数控网络整体安全架构和安全通信协议，也没有适 用于智能化数控系统的网络入侵防范技术。

(2)现有基于深度学习的异常检测方法提取特征的鲁棒性较差，当输入数 据含有噪声时，其攻击检测性能变差。

(3)现有基于深度学习的异常检测方法中，当被测数据遭到破坏时，该类 方法检测准确率降低。

(4)有些神经网络方法需先将网络流量转换为图像，加大了数据处理负担， 且未充分考虑网络结构信息对提取特征准确性的影响。

解决以上问题及缺陷的难度为：市面上主要的流量监测产品如Solera DeepSee、Narusn Systems等软件，既采用特征库又采用了行为偏差模型进行 监测。这些产品虽然在保障正确率的前提下提升了对未公开新型攻击行为监测 的能力，功能强大；但是由于行为偏差模型需要极高的计算复杂度和时间消耗， 价格过于昂贵，不能满足中小型企业低成本的需求。而且智能化数控设备的硬 件条件往往比较弱，且设备对于流量监测的时间消耗要求很高，不能允许较大 的时延，所以市面上主要的流量监测产品并不适用于智能数控机床网络