基于PU学习的工业控制系统异常检测方法

论文摘要

随着信息化的发展,工业控制系统面临严重的安全威胁,提出一种基于PU学习的工业控制系统异常检测方法。该方法通过状态表示将状态变量表示为二元组,从少量正常样本片段中提取状态转换图,从大量未标记样本中生成孤立森林模型。根据状态转换图和孤立森林模型分别判断状态转换关系和状态自循环的正确性。在工控系统测试平台SWaT上进行验证,结果表明,当污染率c取12%时检测效果最佳,与基于协同训练与C4.5决策树的方法相比,从根本上提升了异常的查全率。

论文目录

• 1 SWaT系统及数据集介绍
• 2 数据处理
•   2.1 基于平滑样条的降噪处理
•   2.2 分段表征处理
•   2.3 归一化处理
• 3 方法
•   3.1 检测框架
•   3.2 状态表示
•     （1）数值型变量
•     （2）枚举型变量
•   3.3 状态转换图
•   3.4 孤立森林
• 4 实验评估
•   4.1 状态转换图的生成
•   4.2 异常检测测试
•     ①SSSP攻击
•     ②MSSP攻击
•     ③SSMP攻击
•     ④MSMP攻击
•   4.3 结果分析
• 5 结束语

文章来源

类型: 期刊论文

作者: 王伟,谢耀滨,尹青

关键词: 工业控制系统,异常检测,学习,状态转换图,孤立森林

来源: 信息工程大学学报 2019年02期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 中国华艺广播公司,信息工程大学

基金: 国家自然科学基金资助项目(61802431)

分类号: TP273;TP309

页码: 210-216

总页数: 7

文件大小: 1124K

下载量: 32