[发明专利]一种基于多尺度样本熵和贝叶斯网络的隐蔽性攻击检测方法

权利要求书

1.一种基于多尺度样本熵和贝叶斯网络的隐蔽性攻击检测方法，其特征在于，应用于网络化运动控制系统；网络化运动控制系统包括控制器、执行器和传感器，传感器采集被控过程的信息，输出传感变量；控制器输入传感变量，输出控制变量；执行器输入控制变量，输出连接至被控过程；

隐蔽性攻击为正弦攻击，即网络化运动控制系统中控制器输出被注入了一定幅值和频率的正弦信号；

所述方法包括如下步骤：

1)模型训练阶段，包括以下步骤：

1.1)获取h个传感器下L个周期的历史正常工况时间序列数据，每个周期的数据长度为N，单个传感器在离线情况下采集L个周期的正常工况时间序列数据为将该时间序列数据进行粗粒化处理，即：

其中，y^(s)(w)粗粒化处理得到的多尺度时间序列，s为尺度因子，且s∈N⁺，N⁺为正整数，经过粗粒化处理获得不同尺度因子s下的特征信息；

1.2)计算多尺度样本熵值

针对1.1)所得到的多尺度时间序列计算其样本熵值，即多尺度样本熵值；

1.3)计算h个传感器下的多尺度样本熵值，并对所得到的多尺度样本熵值数据进行预处理，即查找其中的最小值a与最大值b，确定样本熵值的范围[a,b]，并对该范围进行M个等区间划分，M≥2且M∈N⁺，区间长度为划分完成后给每个子区间一个标签值0,1,2,…；

1.4)确定贝叶斯网络中随机变量之间的拓扑关系，形成一个有向无环图，随机变量之间的拓扑关系通过专家知识结合历史观测数据得到，获得每一变量间的逻辑关系；

1.5)基于给定的贝叶斯网络结构，使用贝叶斯估计方法，通过对多尺度样本熵值数据集{e_h,s，h,s＝1,2,3,…}学习以及结合先验知识获得相关变量间的条件概率表，确定贝叶斯网络模型，假设获取了R个序列的样本集D，观测值为U＝(U₁,U₂,U₃,…,U_R)；

2)阈值确定阶段，包括以下步骤：

2.1)计算h个传感器下每个周期的正常工况时间序列的多尺度样本熵值，进行预处理，即查找其中的最小值a与最大值b，确定样本熵值的范围[a,b]，并对该范围进行M个等区间划分，M≥2且M∈N⁺，区间长度为划分完成后给每个子区间一个标签值0,1,2,…；

2.2)将步骤2.1)处理得到的多尺度样本熵值样本数据集{e_h,s，h,s＝1,2,3,…}输入至训练好的贝叶斯网络模型；

2.3)确定阈值，选择变量消去推理引擎推理得出每个时刻对应的后验概率值P(T_k|E＝{e_h,s})，即：

式(10)表示在多尺度样本熵值数据集{e_h,s,h,s＝1,2,3,…}后目标为T_k的后验概率，k＝1或-1，其中，P(E＝{e_h,s})为先验概率，T_k为系统受到攻击或未受到攻击的状态，该步骤将输入的正常数据特征进行融合，并输出系统未受到攻击的后验概率，取对数值，然后选择最小值作为阈值T：

T＝min(-ln(P(T_k|E＝{e_h,s}))) (11)

3)入侵检测阶段，包括以下步骤：

3.1)实时计算h个传感器下每个周期工况时间序列的多尺度样本熵值，进行预处理，即查找其中的最小值a与最大值b，确定样本熵值的范围[a,b]，并对该范围进行M个等区间划分，M≥2且M∈N⁺，区间长度为划分完成后给每个子区间一个标签值0,1,2,…；

3.2)实时将3.1)处理所得的多尺度样本熵值数据集{e_h,s，h,s＝1,2,3,…}输入至训练好的贝叶斯网络，选择变量消去推理引擎计算得出每个时刻对应的概率值P(T_k|E＝{e_h,s})，即：

3.3)实时攻击检测：

据上一步得到的P(T_k|E＝{e_h,s})，与阈值进行对比，如果超过阈值，则认为存在攻击。