[发明专利]一种基于改进特征选择算法的电厂工控系统入侵检测方法

说明书

本发明公开了一种基于改进特征选择算法的电厂工控系统入侵检测方法，包括以下步骤：步骤一，获取工控系统数据，选取工控入侵检测标准数据集作为入侵检测数据集；步骤二，对入侵检测数据集进行数据预处理；步骤三，采用改进后的特征选择算法对预处理后的入侵检测数据集数据进行特征选择，得出入侵检测数据集降维后的特征子集；步骤四，将特征子集的数据输入SVM支持向量机分类器，并对SVM输出的结果进行评价；本发明通过对特征选择算法进行改进，从而可在特征选择中可获取代表性高的特征；从而实现了对不相关特征信息的干扰，且突出了大多数特征在识别过程中所起到的重要作用，提高了工控系统入侵识别的准确率。

技术领域

本发明涉及医疗检测技术领域，具体为一种基于改进特征选择算法的电厂工控系统入侵检测方法。

背景技术

工业控制系统是由工业生产智能操作组件与工业电脑设备构成的智能制造系统，随着“工业4.0”和“工业互联网”战略的相继推出，工业领域迎来了一轮倡导智能制造的工业革命。然而，随着工业化、自动化向着网络化、信息化的发展，越来越多的工业控制系统必须连接外部网络，工业控制系统原有的封闭性被彻底打破，各种不安全因素，如病毒、木马等会随着正常的信息流进入工业控制网络，引起信息泄露、指令篡改等安全问题，威胁工业生产的安全。入侵检测技术作为一种主动的安全防御技术，可以检测网络中未经允许的操作或非法入侵。

目前，工业网络入侵检测的方法一般分为基于知识的工业网络入侵检测方法、基于协议的工业网络入侵检测方法、以及基于设备的工业网络入侵检测方法等。在实际中工业网络数据中存在大量冗余数据，为了去除数据中的冗余，减少模型训练的时间，往往需要对原始数据进行特征获取。

特征获取通常包括特征提取和特征选择，特征提取广义上是一种变换，它将高维空间的样本通过映射或变换转换到低维空间，来达到降维的目的；特征选择是从一组特征中去掉冗余或不相关的特征来进行降维。它可以从原始特征中找到最优特征，这些被选择出的特征保留了数据集的主要信息，为分析高维的特征问题提供了便于，避免或减少原始特征中不相关的信息所带来的识别过程复杂化。传统的特征选择算法按照每个特征或正交过程中的向量与所有特征求相关系数，势必会给识别过程增加一些冗余信息，使得识别结果适得其反。

发明内容

为了解决上述问题，本发明提供如下技术方案：一种基于改进特征选择算法的电厂工控系统入侵检测方法，包括以下步骤：

步骤一，获取工控系统数据，选取工控入侵检测标准数据集作为入侵检测数据集；

步骤二，对入侵检测数据集进行数据预处理；

步骤三，采用改进后的特征选择算法对预处理后的入侵检测数据集数据进行特征选择，得出入侵检测数据集降维后的特征子集；

步骤四，将特征子集的数据输入SVM支持向量机分类器，并对SVM输出的结果进行评价。

优选的，在步骤二中，对入侵检测数据集的数据预处理包括归一化处理，其结果值映射区间为[0,1]，转换函数如下：

其中，x_i、x^*_i分别表示数据归一化前后的值，x_min、x_max分别表示样本数据中的最小、最大值。

设入侵检测数据集为F，

则F＝{x₁,x₂,...,x_n}，每个样本有n个特征；

第k个样本特征向量为：[x₁(k),x₂(k),...,x_n(k)]；