[发明专利]一种基于时间序列的工艺数据异常检测方法

说明书

本发明涉及一种基于时间序列的工艺数据异常检测方法，通过自编码神经网络模型对工业数据进行降维处理，再通过LSTM神经网络模型进行工艺数据的检测，包括以下步骤：对工业数据进行预处理得到工业数据特征；根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维；根据降维后的工艺数据特征构建LSTM神经网络模型；通过LSTM神经网络模型进行工艺数据的异常检测。本发明基于时间序列的异常检测模型能有效提高工艺数据异常检测准确率，并且误报率要低于传统异常检测模型。在不改变现有硬件设备架构的前提下，结合嵌入式设备自身特点，适合在各种设备中搭建平台。

技术领域

本发明涉及一种基于时间序列的工艺数据异常检测方法，其能确保工业数据在发生异常的情况下自动检测警报，属于工业系统的信息安全技术领域。

背景技术

现阶段，工业控制系统已广泛应用于电力、轨道交通、石油化工、核设施等行业中，据统计，超过80％涉及国计民生的关键基础设施都依靠工业控制系统来实现自动化作业。近几年，针对工业控制系统的各种网络攻击与入侵事件屡见不鲜，根据美国国土安全部下属的工业控制系统网络应急响应小组(Industrial Control Systems Cyber EmergencyResponse Team，ICS-CERT) 连续三年的安全研究报告，针对工业控制系统的安全事件呈阶梯状增长态势，仅2015年该小组收集到全球工控安全漏洞数量就达到427个。

工业控制系统的异常检测主要目的是在恶意攻击发生时进行实时监测与报警，是一种对工业控制系统局部关键区域进行安全检测的技术手段。然而，为了保障工业控制系统全方位的安全稳定运行，不仅需要攻击发生时的实时检测，同时更加需要对攻击即将发生时的有效预测，从整体角度感知整个工业控制系统的安全态势。因此，基于上述异常检测方法，需要进一步研究工业控制系统的安全感知理论，提供对未来一段时间内系统安全状况进行合理准确预测的能力。现阶段，针对工业控制系统的安全感知研究已经逐渐开始，但为数尚少。其中，论述了如何攻击智能电网，提出了智能电网环境下态势感知的具体要求；说明了电力系统中导致不充分态势感知的因素，并用马尔可夫模型评估不充分态势感知的影响；借助态势感知实现工控系统的自适应安全，辅助系统管理人员制定安全决策；结合完整性攻击研究，建立基于拜占庭将军问题的工控网络安全态势感知模型，判断系统中的恶意节点。上述研究工作表明安全感知理论已经在工业控制系统进行了初步探索，但在安全感知的工控独特要求及针对性方法设计方面还有待完善，主要原因在于：一方面，目前针对工业控制系统的信息安全需求及技术研究仍不成熟，工业控制系统的安全边界条件仍需进一步论证；另一方面，工业控制系统具有相对特殊的系统结构及通信特点，而信息安全研究人员难以从这些特点出发进行工业控制系统的安全感知研究。

发明内容

针对上述提出的工控信息安全的要求，本发明的目的是一种基于SAE-LSTM 异常检测模型，本发明以工控系统中的工艺数据为检测对象，重点研究了如何在高维、复杂、大规模的工艺数据中将异常数据标识出来，以构建实时的工控信息安全异常检测模型。其中，SAE表示堆叠自编码神经网络模型，LSTM表示长短期记忆神经网络模型(Long Short-TermMemory)。

本发明解决其技术问题所采用的技术方案是：一种基于时间序列的工艺数据异常检测方法，通过自编码神经网络模型对工业数据进行降维处理，再通过 LSTM神经网络模型进行工艺数据的检测，包括以下步骤：

对工业数据进行预处理得到工业数据特征；

根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维；

根据降维后的工艺数据特征构建LSTM神经网络模型；

通过LSTM神经网络模型进行工艺数据的异常检测。

一种基于时间序列的工艺数据异常检测方法，用于Lambda架构。

所述预处理采用相关系数方法进行降维。