一种面向石油化工行业现场工艺行为的异常行为检测方法技术

本发明专利技术涉及一种面向石油化工现场工艺行为异常行为检测方法，具体为针对石油化工工业现场异常行为检测开展基于行为特征知识库的检测方法，该方法将基于神经网络的自编码器和无监督的K‑means聚类方法相结合，将系统生产控制中产生的工艺数据进行降维压缩和分类，将各个数据到聚类中心的最短欧几里得距离作为提取的态势要素，通过在时间维度上对工业现场的业务行为进行概括和抽象，建立运行过程行为基线与攻击行为之间的关联关系，实现面向工业现场的行为特征知识库构建，建立行为特征知识库实现一种高效的工业现场隐蔽异常行为检测报警机制。

【技术实现步骤摘要】
一种面向石油化工行业现场工艺行为的异常行为检测方法
本专利技术涉及一种面向石油化工行业现场工艺行为的异常行为检测方法，通过基于工业现场行为特征知识库构建，实现提高工控安全检测技术与行业现场行为的关联性，使异常行为检测警报更代表行业现场行为特点，属于工业控制网络信息安全领域。
技术介绍
当前国内外关于基于行业特征知识库的异常行为检测技术的研究较少，更是缺乏工业现场行为特征知识库构建技术的参考，目前的一些安全产品是通过传统IT安全防护产品演变而来，只是增加了工控协议，其他基本很少与工控现场生产系统相关，本专利技术的研究成果将突破当前国内外关于工业现场行为特征知识库构建技术空白的局限，提高工控安全检测技术与行业现场行为的关联性，使异常检测警报更代表行业现场行为特点，同时对减少异常检测“漏报率”与“误报率”有一定帮助。传统方法往往需要对研究对象的内部运作规律有深入的了解和认识，而多数系统的内部运作结构较为复杂，很难完全从机理上归纳其内在规律，导致检测准确率较低，而本专利技术能够通过无监督学习更加有效的进行态势预测，从而在获取设备准确模型的基础上，进一步本文档来自技高网...

【技术保护点】
1.一种面向石油化工行业现场工艺行为的异常行为检测方法，其特征在于，包括以下步骤：/n1)对历史工艺数据进行预处理；/n2)对预处理后的数据进行K-means聚类，得到聚类中心和对应类别的数据集；/n3)计算每个类别的数据集中每个数据点到其对应的聚类中心的距离，取出最大值dis

【技术特征摘要】
1.一种面向石油化工行业现场工艺行为的异常行为检测方法，其特征在于，包括以下步骤：
1)对历史工艺数据进行预处理；
2)对预处理后的数据进行K-means聚类，得到聚类中心和对应类别的数据集；
3)计算每个类别的数据集中每个数据点到其对应的聚类中心的距离，取出最大值dismaxj，得到该最大值对应的数据点到聚类中心距离的最大值集合Dis；
4)对实时检测到的工艺数据进行预处理，并得到预处理后的数据与每个聚类中心的距离，得到预处理后的数据到聚类中心的距离集合Dis_t，计算Dis_t与Dis的差，得到d＝{dj＝(dis_tj-dismaxj)|j＝1,2,3…k}；k表示类别个数，dis_tj表示数据点本身与每个聚类中心的距离，dj表示dis_tj到dismaxj的差值,d表示dj合集；
5)如果则记该时刻系统状态偏离系统正常工况的程度为ε＝min(d)，否则记ε＝0，ε为态势要素；
6)以长度为L的滑动窗口，在时间维度上对ε进行融合，得到该时段内ε的均值εavg和方差εs，最终得到表征系统态势的二元组Sεavg,εs)。


2.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：尚文利，尹隆，陈德童，赵剑明，佟国毓，陈春雨，张野，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21