[发明专利]一种基于BP神经网络的工业控制系统漏洞自动挖掘方法

权利要求书

1.一种基于BP神经网络的工业控制系统漏洞自动挖掘方法，其特征在于包括工业控制系统数据采集模块，神经元设计模块，神经网络结构设计模块，算法实现模块。

2.根据权利要求1所述的工业控制系统数据采集模块，其特征在于采集了工业控制系统的状态和控制数据，进行归一化处理，状态数据作为输入，控制命令作为输出。

3.根据权利要求1所述的神经元设计模块，其特征在于输入多个工业控制系统的状态数据作为输入向量，设定多个对应的连接权值；归一化后的工业控制系统数据和权重的乘积之和与阀值比较；若该值大于设定的阀值，则生成神经元的输出值，通过传递函数，产生输出；若该值小于或等于阀值，则不产生神经元的输出值。

4.根据权利要求1所述的神经网络结构设计模块，其特征在于其包括把工业控制系统的状态和控制分别作为输入层和输出层；在输入层里面有归一化处理后的状态数据，这些数据形成输入向量，经过传递函数形成隐含层的输出，然后再经过输出层转换成输出，数据正向传递的时候，数据经过输入层到隐含层，然后到输出层；若输出结果与控制命令数据期望差距较大，误差信号反向传播作为BP神经网络的输入，通过迭代，促进误差降低，逼近期望值。

5.根据权利要求1所述算法实现模块的，其特征在于采集了工业控制系统的状态数据作为输入，控制命令作为输出，经过归一化处理，按照误差逆传播算法训练的多层前馈神经网络，训练形成了状态与控制数据之间的关系，确定神经网络的阈值和权重；然后利用训练后的BP神经网络结构，去识别判断实时工业控制系统当前状态与控制命令之间有不符合BP神经网络的数据，若存在，就可以判断该时刻这组状态和控制数据存在的疑似的工业控制系统漏洞。

6.该方法不需要过滤数据包，不影响工业控制系统的实时运行，具有非常强实用价值，包含以下步骤：

步骤（1）：工业控制系统原始数据采集，采集工业控制系统的传感器数据包括温度、压力、湿度、转速、开关状态信息把其作为输入向量，把控制命令作为输出向量；

步骤（2）：数据的归一化处理，由于采集的数据类型不一样，数据的表达范围也有很大差异，不能直接用于BP神经网络的输入向量，需要对数据进行归一化处理，定义转换方式，转换成被BP神经网络所接受的输入数据；

步骤（3）：输入工业控制系统训练样本：从数据中选取输入向量和输出向量作为训练样本，对设计的BP神经网络进行训练，生成必要的权重和阀值；

步骤（4）：计算隐含层单元输出：根据隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的；

步骤（5）：计算输出单元输出：根据计算公式计算输出单元值；

步骤（6）：结果比较：输出值与目标值的之差是否小于设定误差；

步骤（7）：若步骤（6）判定条件为真，则输出结果；

步骤（8）：判断条件：输出值与目标值的之差不大于设定误差并且循环次数大于设定值

步骤（9）：若步骤（8）判定条件为真，则输出可疑漏洞

步骤（10）若步骤（8）判定条件为假，调整神经玩两个的权值和阀值，转向步骤（3）。