[发明专利]一种基于条件的能量生成对抗网络的网络攻击恢复方法

说明书

本发明公开了一种级联式基于条件的能量生成对抗网络的网络攻击恢复方法，将流量数据中表示为传感器测量值作为输入，用训练好的模型生成特征数据；训练好的基于条件的生成对抗网络生成的特征数据作为额外信息与随机噪声拼接作为输入；统计恢复数据和真实数据之间的绝对误差，以及不同模型训练所需的时间以及所需占用的空间，并利用这些指标衡量不同模型之间的性能差异。本发明所使用的基于条件的生成对抗网络模型，能够快速模拟出系统征程运行时的行为特征，所提出的基于条件的能量生成式对抗网络可以有效提高测量值的恢复精度，所设计的自适应决策策略可以提高测量值恢复的稳定性，减少生成异常点的可能性。

技术领域

本发明属于网络信息安全技术领域，涉及网络攻击恢复技术，特别涉及一种级联的基于博弈的深度学习模型。

背景技术

随着工业化与信息化结合的不断紧密，工业控制系统越来越多地采用标准化通信协议和软硬件，并通过互联网来实现远程控制和操作。虽然这种方式显著提高了复杂工业系统的效率，但这种连接打破了原有系统的封闭性和专有性，造成勒索软件攻击、信息泄露等网络安全问题向工控领域迅速扩散，直接影响大量工控相关基础设施安全。针对工业控制系统的网络攻击意在破坏网络物理系统中与控制相关的数据，从而导致物理系统的控制发生故障。在工业控制系统(ICS)中可编程逻辑控制器(PLC)是一种现场设备，可以直接连接到传感器和执行器或其他现场设备，其主要功能是监督和控制物理过程。对于攻击者而言,PLC提供最有效的渗透点,因为对PLC中数据进行篡改可以轻松使物理系统达到不稳定状态并对系统造成重大的经济损失和物理设备损坏。

面对日益加剧的工业控制系统运行安全问题，针对网络攻击恢复的研究显得格外重要。传统的网络攻击恢复根据恢复机制的不同可以分为控制理论方法和自动机理论的方法。控制理论的方法主要通过构建基于过程模型的观测器或参数估计器，与滤波技术相结合，用于恢复被攻击的状态估计，然而，物理系统的运行行为可能会变得过于复杂，很难构造符合系统特性的观测器或参数估计器。此外，影响行为的未知因素可能很多，这同样给构造观测器或参数估计器带来了挑战。而自动机理论的方法通过改变系统物理结构并设计相应的状态自动机来约束系统的运行行为，从而在一定程度上实现对网络攻击的检测和恢复。但是，这种方法一方面可扩展性较差，另一方面由于这种方法需要设置大量的状态，这会导致需要花费大量精力用于维护这些状态。

随着计算设备的性能不断提高，数据驱动方法即深度学习技术逐渐成为了人工智能领域的研究热点，一些研究者将深度学习领域的技术运用到了网络攻击恢复的领域。这种基于数据驱动的方法在恢复过程中对于不同领域的工业控制系统具有显著的泛化性，并且可以有效避免构造观测器或参数估计器的困难。但是，这种基于数据驱动的方法在训练模型阶段往往会花费大量时间，并且得到的结果精度和稳定性还有进一步提高的可能。然而，现有技术或是针对训练时间过长的缺陷进行改进，又或是进一步提高恢复结果的精度及稳定性，从而导致基于数据驱动的网络攻击恢复技术出现训练时间非常迅速但恢复精度及稳定性较差或是恢复精度较高但训练时间过长的问题，这在一定程度上制约了现有技术在实际场景中的应用。因此，如何保证系统遭受攻击后使系统仍然可以正常运行，是目前网络攻击恢复领域的研究热点。

发明内容

本发明所要解决的技术问题是提供一种基于条件的能量生成对抗网络的网络攻击恢复方法和系统，用于解决现有的网络攻击恢复方法，数据恢复精度依赖于物理系统建模精确性的问题，以及现有的基于深度学习的网络攻击恢复技术，因其训练过程难以控制所导致的恢复精度和稳定性较差的问题。

本发明解决上述技术问题的技术方案如下：一种基于条件的能量生成对抗网络的网络攻击恢复方法，包括：

步骤1，将流量数据中表示为传感器测量值作为输入，对基于条件的生成对抗网络进行训练，并用训练好的模型生成特征数据。