[发明专利]基于边缘计算的物联网弱电磁干扰攻击检测方法及系统

说明书

本发明提供一种基于边缘计算的工业物联网弱电磁干扰攻击检测方法及系统，属于工业物联网领域。所述方法包括：从感知模块传输至MCU的感测数据中提取智能设备噪声指纹作为样本，在无弱电磁干扰攻击和有弱电磁干扰攻击两种状态下，分别提取M份长度为T的噪声指纹以建立噪声指纹样本库，其中M≥5000；建立FEU‑LSTM融合模型，FEU‑LSTM融合模型包括基于卷积神经网络的FEU模型和时间循环神经网络LSTM模型；从噪声指纹样本库中随机抽取P份噪声指纹输入到FEU‑LSTM融合模型进行Q次Epoch迭代，完成模型训练，其中P≥125,Q≥30；在执行攻击检测过程中，将从感测数据中实时读取的长度为T的设备噪声指纹输入至训练后的FEU‑LSTM融合模型，并根据模型的输出结果判断智能设备是否受到弱电磁干扰攻击。

技术领域

本发明涉及工业物联网领域，具体地涉及一种工业物联网的弱电磁攻击检测方法及一种工业物联网的弱电磁攻击检测系统。

背景技术

当前智能化的工业生产离不开工业物联网的支持，工业物联网对数据的可靠性和安全性有着非常高的要求，一旦工业物联网系统中的数据被篡改，将影响产品的质量控制，甚至造成重大事故。

在一个智能设备中，数据采集到传输的过程包括：感知模块将物理量转换为模拟电信号，然后通过信号线将所述信号发送到采样模块MCU模块，MCU模块接收数据并执行安全处理(所述安全操作包括加密和验证)，经过安全处理后的数据通过网关发送到云服务器。目前，从MCU到云服务器的过程具有完善的机制来确保数据安全。但是，从感知模块到MCU的过程几乎没有确保数据安全的安全验证方法。

目前电磁干扰威胁着所有电子产品，攻击者可以利用电磁干扰修改感测数据并欺骗MCU做出错误决定，电磁干扰攻击可分为强电磁干扰攻击和弱电磁干扰攻击。

在工业现场，攻击者可以通过特定的电磁干扰设备更改信号线上的电压，以达到悄悄篡改数据的目的，这种攻击很容易破坏工业设备的准确性，并导致生产事故。由于工业物联网中的设备(如模数转换器)容易与电磁波耦合，且感知模块和MCU之间通信的信号线充当天线，导致攻击者可以通过多种方式发起弱电磁干扰攻击，所以弱电磁干扰会篡改感知模块生成的数据。

为了防御电磁干扰，目前有使用电磁干扰滤波器和屏蔽线来防御强电磁干扰带来的影响，此类电磁干扰防御策略虽然可以减少强电磁干扰的影响，但是仍会有电磁波穿透电路系统，即所述防御策略不能消除弱电磁波的负面影响。而感知模块和MCU之间缺乏的数据安全验证和攻击检测，导致无法检测弱电磁干扰造成的攻击，从而使工业生产的安全性和可靠性存在较大风险。

发明内容

为解决上述问题，本发明实施方式的目的是提供一种弱电磁干扰攻击检测方法及一种弱电磁干扰攻击检测系统，主要用于工业物联网。

为了实现上述目的，本发明第一方面提供一种基于边缘计算的工业物联网弱电磁干扰攻击检测方法，所述工业物联网包括被控设备、智能设备和服务器，所述智能设备包括感知模块和MCU，感知模块的感测数据传输至MCU进行处理，所述检测方法包括：

从感知模块传输至MCU的感测数据中提取智能设备的噪声指纹作为样本，其中在无弱电磁干扰攻击和有弱电磁干扰攻击两种状态下，分别提取M份长度为T的噪声指纹，以建立噪声指纹样本库，其中M≥5000；

建立FEU-LSTM融合模型，所述FEU-LSTM融合模型包括基于卷积神经网络的FEU模型和时间循环神经网络LSTM模型；

从噪声指纹样本库中随机抽取P份噪声指纹输入到所述FEU-LSTM融合模型进行Q次Epoch迭代，完成FEU-LSTM融合模型训练，其中P≥125,Q≥30；

在执行攻击检测过程中，将从感知模块传输至MCU的感测数据中实时读取的长度为T的设备噪声指纹输入至训练后的FEU-LSTM融合模型，根据训练后的FEU-LSTM融合模型的输出结果判断智能设备是否受到弱电磁干扰攻击。