Research on Abnormal Detection Method of Process Data Based on Sequence Cognition

为构建完善的工业控制网络安全防护体系，保证工业控制系统基础设施安全以及工业产品的高品质要求，本文针对工业控制系统中时序序列的工艺数据异常行为检测这一重要课题进行研究，分析各类异常检测方法的优缺点，提出基于堆叠自编码神经网络降维，长短期记忆神经网络为主检测模型的工艺数据异常检测系统。首先，本文针对工业控制系统进行脆弱性分析，并概述人工智能技术在工业控制系统异常检测领域中的应用。从现场总线层、过程控制层、办公网络融合层三个层面分析现有工业控制系统的安全问题，透过现有的工业信息安全中存在的问题阐述工控系统异常检测的必要性。另外，鉴于人工智能技术近几年的快速发展和在异常检测领域的优异效果，本文重点概述了机器学习技术和深度学习技术在工业控制系统异常检测中的应用形式和各自的适用范围与优缺点。其次，本文着重介绍了对工控系统中工艺数据的预处理与特征工程方法。工艺数据异常检测模型的检测效果依赖于原始的训练样本数据以及对数据进行的特征工程方法，适当的特征偏度转换、平滑数据处理对增强模型的泛化能力非常有帮助，本文把工艺数据特征分为连续型与离散型两种类型分别进行数据预处理与特征工程，然后通过主成分分析法对高维的工艺数据大幅度降维，最后通过集成规则树模型或自编码神经网络模型进行特征选择，为后续的主模型检测提供高质量训练数据。最后，本文通过多种模型试验效果对比，提出一种基于时间序列的异常检测方法。该方法对工艺数据进行相关性分析、向量映射等处理，自编码神经网络降维，然后根据工艺数据在传输序列间的相互关联性，设计基于长短期记忆神经网络的异常检测模型，分别进行多种工艺数据异常检测模型的实验验证分析。实验中选择多种时序模型与非时序模型进行比较，结果表明基于时间序列的异常检测模型能有效提高工艺数据异常检测准确率，并且误报率要低于其他异常检测模型，可以获得较好的异常检测实时性