【技术实现步骤摘要】
在具有确定特性的网络物理系统中检测异常的系统和方法相关申请本专利申请要求于2018年12月28日提交的、专利申请号为RU2018147248俄罗斯联邦专利的优先权,该专利通过引用被完全并入到本文。
实施例通常涉及计算机安全领域,更具体地,涉及网络物理系统的安全性。
技术介绍
技术流程(TP)的安全运行是当前工业安全问题之一。例如,石化行业的TP通常具有很高的过程危险率,因为它们涉及易燃易爆液体以及高温和高压气体。这种TP面临的主要威胁包括:在操作控制中的非故意误差或恶意操作;设备和装置的磨损和失效;对控制系统和信息系统的网络攻击等。网络物理系统(CPS)的安全系统用于应对此类威胁,例如,在生产设施和企业中。这些系统传统上分几个阶段构建。在设计设施时,将构建紧急停机系统(ESS),该系统随后与工业控制系统(ICS)集成,但也允许手动控制。ESS系统的缺点是相当大的过程的惰性和决策中的人为因素的存在。此外,ESS的工作原理基于仪器正确运行的假设。实际上不可能确保仪器完全安全运行,因为仪器偶尔会出现故障,往往出现与时间相关的误差,而且所有仪器的冗余费用极高而且在技术上并不是一直如此合理的。监测过程正确性的一种方法是使用内置的自诊断系统监测单个设备、机器、仪器、控制回路等。如果检测到故障,此类系统会向过程操作员发送信号,通常需要手动干预设备。尽管此类系统具有优势(例如,它们“考虑”了设备操作的细节,这些由设备制造商设计等),但它们存在一些缺陷。缺陷包括上述一些自我监测系统所基于的设备的 ...
【技术保护点】
1.一种用于确定信息物理系统(CPS)中异常源的系统,所述系统包括:/n计算平台,包括至少一个处理器的计算硬件和与所述至少一个处理器可操作地耦合的存储器;/n指令,当在所述计算平台上执行所述指令时,使得所述计算平台实现:/n预测工具,配置为:/n在输入窗口期间获取多个CPS特征值,所述输入窗口由训练后的预测模型确定,以及/n利用所述训练后的预测模型和在输入窗口期间获取的所述CPS特征值,预测预测窗口的多个CPS特征值;以及/n异常识别工具,配置为:/n确定所述预测窗口中的多个CPS特征的总预测误差,/n当所述总预测误差超过总误差阈值时,识别所述信息物理系统中的异常,以及/n当所述多个CPS特征中的至少一个CPS特征对所述总预测误差的预测误差贡献高于所述多个CPS特征中的其他CPS特征对所述总预测误差的贡献时,则识别所述至少一个CPS特征作为异常源。/n
【技术特征摘要】
20181228 RU 2018147248;20190624 US 16/450,1951.一种用于确定信息物理系统(CPS)中异常源的系统,所述系统包括:
计算平台,包括至少一个处理器的计算硬件和与所述至少一个处理器可操作地耦合的存储器;
指令,当在所述计算平台上执行所述指令时,使得所述计算平台实现:
预测工具,配置为:
在输入窗口期间获取多个CPS特征值,所述输入窗口由训练后的预测模型确定,以及
利用所述训练后的预测模型和在输入窗口期间获取的所述CPS特征值,预测预测窗口的多个CPS特征值;以及
异常识别工具,配置为:
确定所述预测窗口中的多个CPS特征的总预测误差,
当所述总预测误差超过总误差阈值时,识别所述信息物理系统中的异常,以及
当所述多个CPS特征中的至少一个CPS特征对所述总预测误差的预测误差贡献高于所述多个CPS特征中的其他CPS特征对所述总预测误差的贡献时,则识别所述至少一个CPS特征作为异常源。
2.根据权利要求1所述的系统,其中所述多个CPS特征值由所述预测工具实时地获取,以及所述总预测误差是在时间等于预测范围窗口和输入窗口之和后确定的,所述预测范围窗口包括所述输入窗口和所述预测窗口之间的时间。
3.根据权利要求1所述的系统,其中所述多个CPS特征在历史监测周期内获取,其包括初始样本数据,以及所述总预测误差由所述初始样本数据在所述历史监测周期内确定。
4.根据权利要求1所述的系统,其中所述多个CPS特征包括传感器测量、执行器的受控变量、执行器的设定值、比例积分微分(PID)控制器的输入信号或PID控制器的输出信号中的至少一个。
5.根据权利要求1所述的系统,所述异常识别工具配置为通过对所述多个CPS特征的每个特征误差赋予权重比来确定所述总预测误差,每个特征误差的总和包含所述总预测误差。
6.根据权利要求5所述的系统,其中,针对具有噪声数据或无效数据的特征,或者如果所述特征之前已经被用户禁用,则特征误差的所述权重比被赋予低值。
7.根据权利要求5所述的系统,其中,当特征的异常不影响CPS操作时,则针对所述特征,特征误差的所述权重比被赋予低值,当所述特征的异常影响CPS操作时,则针对所述特征,特征误差的权重比被赋予高值。
8.根据权利要求1所述的系统,其中,当在所述计算平台上执行所述指令时,使得所述计算平台进一步实现训练工具,所述训练工具配置为通过以下步骤生成所述训练后的预测模型:
获取初始样本,所述初始样本包括多个历史CPS特征值;
基于所述多个历史CPS特征值和所述多个历史CPS特征的至少一个特性构建训练样本;
构建所述训练后的预测模型,用于在所述预测窗口的每一时刻并基于所述输入窗口的每一时刻的所述多个CPS特征值预测所述多个CPS特征值,所述输入窗口和所述预测窗口位于监测周期内并根据历史CPS特征的至少一个特性进行选择;以及
基于所述训练样本训练所述预测模型。
9.根据权利要求8所述的系统,其中所述历史CPS特征值包括异常发生。
10.根据权利要求8所述的系统,其中所述训练工具进一步配置为:
预测所述监测周期内每一时刻的所述多个CPS特征值;
利用所述预测确定预测的总误差;以及
基于所述历史CPS特征的至少一个特性计算所述总误差阈值。
11.根据权利要求8所述的系统,其中所述构建训练样本包括:
对所述初始样本数据进行去噪;
移除所述初始样本数据中的任何空白;
移除所述历史CPS特征值中的任何波动;
移除所述初始样本数据中任何无效的数据集;
将所述初始样本数据...
【专利技术属性】
技术研发人员:A·B·拉夫连季耶夫,A·M·沃龙佐夫,P·V·菲洛诺夫,D·K·沙雷伽,V·I·什库廖夫,N·N·德米多夫,D·A·伊万诺夫,
申请(专利权)人:卡巴斯基实验室股份公司,
类型:发明
国别省市:俄罗斯;RU
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。