[发明专利]一种基于轻量级深度学习的异常点位检测方法及系统

权利要求书

1.一种基于轻量级深度学习的异常点位检测方法，其特征在于，包括：

构建轻量级卷积神经网络模型；

获取训练样本集，根据所述训练样本集，对所述轻量级卷积神经网络模型进行训练，得到异常点位检测模型；

获取生产现场实测数据集，根据所述异常点位检测模型，从所述生产现场实测数据集中定位出可能被攻击的异常点位数据。

2.根据权利要求1所述的方法，其特征在于，所述构建轻量级卷积神经网络模型，包括：

构建所述轻量级卷积神经网络模型的基本拓扑结构；

根据Batch Normalization算法对所述轻量级卷积神经网络模型中的卷积层的输出进行批量归一化；

根据Dropout方法对所述轻量级卷积神经网络模型的池化层进行随机剪枝，以防止网络过拟合。

3.根据权利要求1所述的方法，其特征在于，所述获取训练样本集，包括：

新加坡科技大学网络安全研究中心2018年构建的攻击水厂工控系统的C-Town水分配数据集；及，

密西西比州立大学关键基础设施保护中心2014年构建的SCADA天然气管道数据集；及，

自建的油库工控系统生产数据集。

4.根据权利要求1所述的方法，其特征在于，所述对所述轻量级卷积神经网络模型进行训练，包括：

将训练样本集中的原始训练样本纵向打散为多个列向量样本；

对每个列向量样本，进行独列模板卷积，得到多张特征图；

将所述特征图拼接起来，还原成原始训练样本；

对拼接后的训练样本，进行横向模板卷积；

读取横向模板卷积过程中的中间结果；

按特征图权值的大小，对所述中间结果进行排序；

将特征图权值大于预设值的中间结果所对应的列数据，确定为可能被攻击的异常点位数据。

5.根据权利要求4所述的方法，其特征在于，所述将训练样本集中的原始训练样本纵向打散为多个列向量样本，具体为：

设原始训练样本为包含N维特征的数据样本，其中，N≥1，为正整数；

将数据样本按列打散成若干个大小为N₁*1的图片，其中，N₁＜N，为正整数。

6.根据权利要求5所述的方法，其特征在于，所述对每个列向量样本，进行独列模板卷积，具体为：

对任一所述大小为N₁*1的图片，放到Lenet网络结构中，分别用大小为3*1、5*1、7*1的卷积核进行独列模板卷积。

7.根据权利要求6所述的方法，其特征在于，所述对拼接后的训练样本，进行横向模板卷积，具体为：

对拼接后的训练样本，用大小为1*N的卷积核进行横向模板卷积。

8.根据权利要求1所述的方法，其特征在于，所述获取生产现场实测数据集之后，还包括：

对所述生产现场实测数据集中的数据进行数值化和归一化处理；

根据时间序列，将数值化和归一化处理后的数据拼接为二维矩阵，作为所述所述异常点位检测模型的输入数据。

9.一种基于轻量级深度学习的异常点位检测系统，其特征在于，包括：

构建模块，用于构建轻量级卷积神经网络模型；

训练模块，用于获取训练样本集，根据所述训练样本集，对所述轻量级卷积神经网络模型进行训练，得到异常点位检测模型；

定位模块，用于获取生产现场实测数据集，根据所述异常点位检测模型，从所述生产现场实测数据集中定位出可能被攻击的异常点位数据。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，

所述程序被处理器执行时，实现权利要求1～8任一项所述的方法步骤。