[发明专利]一种用于工业控制系统网络流量的降维方法及电子设备

说明书

本发明公开了一种用于工业控制系统网络流量的降维方法及电子设备，包括以下步骤：获取用于表示各个样本点的样本矩阵；获取样本矩阵中每列的权重；将样本矩阵中的列向量重新排序，得到新的样本矩阵；获取降维维数m；取新的样本矩阵中前m维列向量作为降维后的数据，将降维后的数据进行分类检测；判断降维后的数据对应的分类准确率是否满足要求，若是则输出并采用当前的降维维数m对待降维工业控制系统网络流量对应的新的样本矩阵进行降维；否则放大入侵检测模型的总计算量更新降维维数m。本发明解决了网络流量数据的高维度带来的高复杂度计算与工业控制系统的实时性需求相矛盾的问题。

技术领域

本发明涉及工业控制系统网络流量监控领域，具体涉及一种用于工业控制系统网络流量的降维方法及电子设备。

背景技术

工业控制系统网络流量除了传统IT网络流所包含的特征信息外，还包括处于工业现场设备层的传感器所采集的数据、控制系统的模型参数、操作命令、各种传输的变量等高维时序性数据。在正常情况下，工业控制系统不间断运行，网络流量连续产生，庞大的增量数据会导致后续异常流量检测的时效性得不到保证。同时，工业控制系统高维网络流量中的部分特征对入侵检测算法分类结果的性能贡献并不大，且因特征之间可能存在的相关性等，导致入侵检测算法的检测精度下降、时空开销增大。

在工业控制系统中，对网络流量数据进行降维能降低入侵检测算法的时空开销，提高分类训练和实时检测的速度，满足工业控制系统的实时性要求。但是，网络流量数据降维中，降维维度的选取既要保持降维后数据的本质特性，又要保持数据间的内在联系，避免因丢失本质特性或内在联系使数据失真，从而导致基于该数据的入侵检测准确率降低。为此，在降维维度和入侵检测准确率之间进行平衡，是保证工业控制系统实时性要求的有效手段。

目前应用于工控领域的常用降维方法包括特征选择法和特征约简法。特征选择法的缺点是经过特征选择后可能会保留一些相似度较高的特征，这可能会导致覆盖掉一些重要特征，从而可能导致降维后的数据保真度低的问题。特征约简法中的非线性降维方法可以提取数据本质特征，使高维数据降维后同类数据分布更紧密，不同类数据分布更分散，在减少信息损失的同时减少相似的数据特征。

非线性降维方法中维数的选取将直接影响入侵检测算法的准确率和时空开销。降维后保留的维度越多，入侵检测算法的准确率越高，且因要处理的维数变多，入侵检测算法的时空开销随着变大；反之，降维后保留的维度越少，入侵检测算法的时空开销越小，但因维数变少，信息量小，入侵检测算法的准确率也将随之降低。

综上所述，在现有的方法中，准确率是通过统计数据实际标签与入侵检测算法的预测标签是否相同得到的，维度是通过非线性特征约简剔除相似特征后得到的，二者之间不存在直接的关联关系，因此需要寻求一种方法平衡二者之间的关系以解决网络流量数据的高维度带来的高复杂度计算与工业控制系统的实时性需求相矛盾的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种用于工业控制系统网络流量的降维方法及电子设备解决了网络流量数据的高维度带来的高复杂度计算与工业控制系统的实时性需求相矛盾的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种用于工业控制系统网络流量的降维方法，其包括以下步骤：

S1、获取工业控制系统历史网络流量中每个样本点的k个最近邻，获取工业控制系统历史网络流量的权重矩阵和度矩阵；

S2、将度矩阵与权重矩阵相减得到拉普拉斯矩阵，并基于拉普拉斯矩阵获取用于表示各个样本点的样本矩阵；其中样本矩阵的每一行对应表示一个样本点；

S3、获取样本矩阵中每列的平均相似度；

S4、基于样本矩阵中每列的平均相似度和对应的特征值获取样本矩阵中每列的权重；

S5、将样本矩阵中的列向量按照每列的权重从小到大的顺序进行排列，得到新的样本矩阵；