[发明专利]应用于工业互联网的网络流量异常检测方法

权利要求书

1.一种应用于工业互联网的网络流量异常检测方法，其特征在于，包括：

以预定时间间隔采样基于工业互联网的生产线上的单个工业设备的网络流量，其中，所述生产线的各个工业设备可通信地连接于工业互联网；

对各个所述工业设备的采样的网络流量进行预处理，以获得预处理后的网络流量，其中，对各个所述工业设备的采样的网络流量进行预处理，以获得预处理后的网络流量，包括：对各所述工业设备的采样的网络流量进行线性归一化处理；

将各个所述工业设备的预处理后的网络流量拼接为数据矩阵，其中，所述数据矩阵的行表示各个工业设备，列表示单个工业设备在各个时间点采样的流量数据，并且，最后一列代表当前时间的所述生产线上各个工业设备的当前网络流量；

将所述数据矩阵通过深度卷积神经网络，以获得对应于所述数据矩阵的特征图；

对所述特征图中每个特征矩阵的每行进行高斯归一化，以获得正态化特征图；以及

将所述正态化特征图通过分类器，以获得分类结果，其中，所述分类结果用于表示所述基于工业互联网的生产线的当前网络流量是否异常。

2.根据权利要求1所述的应用于工业互联网的网络流量异常检测方法，其中，对所述特征图中每个特征矩阵的每行进行高斯归一化，以获得正态化特征图，包括：

以如下公式对所述特征图中每个特征矩阵的每列进行高斯归一化，以获得正态化特征图，其中，所述公式为：x’＝(x-μ)/σ，x是归一化前的数值，而x’是归一化后的数值。

3.根据权利要求1所述的应用于工业互联网的网络流量异常检测方法，其中，将所述正态化特征图通过分类器，以获得分类结果，包括：

将所述正态化特征图通过一个或多个全连接层，以通过所述一个或多个全连接层对所述正态化特征图进行编码，以获得分类特征向量；

将所述分类特征向量输入Softmax分类函数，以获得所述分类特征向量归属于各个分类标签的概率值；以及

基于所述概率值，确定所述分类结果。

4.根据权利要求3所述的应用于工业互联网的网络流量异常检测方法，其中，所述分类标签，包括：所述基于工业互联网的生产线的当前网络流量正常，以及，所述基于工业互联网的生产线的当前网络流量异常。

5.根据权利要求1所述的应用于工业互联网的网络流量异常检测方法，其中，所述深度卷积神经网络为深度残差网络。

6.根据权利要求1所述的应用于工业互联网的网络流量异常检测方法，其中，所述基于工业互联网的生产线为塑料袋的自动化生产线，所述工业设备，包括：上料设备、制造设备、封装设备和检测设备。

7.一种应用于工业互联网的网络流量异常检测系统，其特征在于，包括：

网络流量获取单元，用于以预定时间间隔采样基于工业互联网的生产线上的单个工业设备的网络流量，其中，所述生产线的各个工业设备可通信地连接于工业互联网；

预处理网络流量生成单元，用于对各个所述网络流量获取单元获得的所述工业设备采样的网络流量进行预处理，以获得预处理后的网络流量，其中，所述预处理网络流量生成单元进一步用于：对各所述网络流量获取单元获得的所述工业设备采样的网络流量进行线性归一化处理；

数据矩阵生成单元，用于将各个所述预处理网络流量生成单元获得的所述工业设备预处理后的网络流量拼接为数据矩阵，其中，所述数据矩阵的行表示各个工业设备，列表示单个工业设备在各个时间点采样的流量数据，并且，最后一列代表当前时间的所述生产线上各个工业设备的当前网络流量；

数据矩阵特征图生成单元，用于将所述数据矩阵生成单元获得的所述数据矩阵通过深度卷积神经网络，以获得对应于所述数据矩阵的特征图；

正态化特征图生成单元，用于对所述数据矩阵特征图生成单元获得的所述特征图中每个特征矩阵的每行进行高斯归一化，以获得正态化特征图；及

分类结果生成单元，用于将所述正态化特征图生成单元获得的所述正态化特征图通过分类器，以获得分类结果，其中，所述分类结果用于表示所述基于工业互联网的生产线的当前网络流量是否异常。