[发明专利]基于工控异常检测的RBF改进方法、装置和设备

说明书

本发明涉及工控异常检测技术领域，具体涉及一种基于工控异常检测的RBF改进方法、装置和设备，所述方法包括采集工业控制系统的网络数据，对网络数据进行预处理得到样本网络数据，基于减聚类算法，在样本网络数据中确定隐节点的聚类中心，并根据聚类中心确定隐节点的扩展常数，基于灰狼算法，进一步确定隐节点的输出权重，根据聚类中心、扩展常数和输出权重确定改进后的RBF优化模型。本发明提供的技术方案，通过减聚类算法与灰狼优化算法优化RBF模型的聚类中心、扩展常数和输出权重等网络参数，避免陷入极小值，提高运算效率与分类正确度，适用于高维冗余的工控数据集，能够快速判断工业控制系统的网络行为是否存在异常，避免网络攻击带来的损失。

技术领域

本发明涉及工控异常检测技术领域，具体涉及一种基于工控异常检测的RBF改进方法、装置和设备。

背景技术

工业控制系统(ICS)逐渐朝着网络化、开放式体系结构发展，原有的封闭性被打破，漏洞、病毒、木马、APT等网络威胁也随正常的信息流进入工业控制系统。目前，制造业已经成为最容易受到网络攻击的行业，ICS和制造业的计算机的入侵数量占所有攻击的三分之一。一旦ICS遭受攻击，损失将不可估量。异常检测是一种通过安全监控和异常报警的方式确保ICS安全的防护技术，即通过采集设备和网络相关信息，并对其加以分析识别，进而判断系统中是否存在异常行为。RBF网络能够逼近任意的非线性函数，可以处理系统内在的难以解析的规律性，并且具有很快的学习收敛速度，在异常检测中得到广泛的应用。

为调整RBF的网络结构，更好适用于复杂场景，人们提出一种基于改进k-means的RBF神经网络学习算法，消除聚类的敏感性，降低时间复杂度。但由于RBF网络局部激活函数，虽然能够逼近任意非线性的函数，但也存在大样本数据易陷入局部最优的问题。而后人们提出的粒子群算法优化神经网络参数、遗传算法(GA)用来优化RBF网络的权值和网络层元数等结构参数和基于蚁群算法的RBF神经网络模型的实验等优化方案，依旧无法解决这一问题。例如，粒子群算法优化神经网络参数，虽然解决随机选取RBF网络初始参数引起的收敛速度慢的问题，但时间复杂度增大，且更容易陷入局部最优；遗传算法(GA)用来优化RBF网络的权值和网络层元数等结构参数，由于遗传算法参数的选择带有主观性，使得收敛速度慢，并且容易陷入早熟收敛；基于蚁群算法的RBF神经网络模型的实验，精度提高,收敛速度加快，但该算法需搜索路径,计算开销很大。

因此，目前依旧存在针对属性冗余、相关性差的工控网络数据集，变量权重难以确定，易导致RBF网络出现局部最优的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于工控异常检测的RBF改进方法、装置和设备，以克服目前依旧存在针对属性冗余、相关性差的工控网络数据集，变量权重难以确定，易导致RBF网络出现局部最优的问题。

为实现以上目的，本发明采用如下技术方案：

一种基于工控异常检测的RBF改进方法，包括：

采集工业控制系统的网络数据；

对所述网络数据进行预处理，得到预处理后的样本网络数据；

基于减聚类算法，在所述样本网络数据中确定隐节点的聚类中心，并根据所述聚类中心确定所述隐节点的扩展常数；

将初始权重值作为初始权重输入项进行权重迭代处理；其中，所述权重迭代处理过程包括：根据权重输入项、所述聚类中心、所述扩展常数和预先设置的维度信息确定RBF模型；将所述样本网络数据输入到所述RBF模型中，得到网络误差值；将所述网络误差值作为适应度值输入到灰狼优化算法模型中，得到所述灰狼优化算法模型输出的优化结果；将所述优化结果作为下一次迭代的权重输入项；

当检测到所述权重迭代处理过程中，所述当前网络误差值为最小网络误差值时停止迭代；

将所述最小网络误差值对应的优化结果作为所述隐节点的输出权重；