一种基于深度学习的配水系统网络物理攻击检测方法技术方案

本发明专利技术公开了一种基于深度学习的配水系统网络物理攻击检测方法，包括如下步骤：步骤一、构建堆栈自编码器并将训练集数据输入获得重构数据；步骤二、将所述重构数据与训练集数据进行比较并构建成重构误差矩阵；步骤三、将所述重构误差矩阵分解为时间步长的窗口误差，并将所述窗口误差与阈值进行比较：若所述窗口误差不大于阈值，则配水系统网络正常；若所述窗口误差大于阈值，则配水系统网络检测到攻击。本发明专利技术具有学习高维数据精确检测攻击的特点。

【技术实现步骤摘要】
一种基于深度学习的配水系统网络物理攻击检测方法
本专利技术涉及救援设备
，更具体的是，本专利技术涉及一种基于深度学习的配水系统网络物理攻击检测方法。
技术介绍
目前，配水系统集成了现代网络物理系统的数据采集、传输、在线监测和实时自动运行等设备。它主要依靠集成传感器网络和可编程逻辑控制器件来控制相应的设备来实现配水系统的正常运行。数据的采集和传输主要由监控与数据采集系统来完成，它可以实时监控配水系统中某个部件的状态、流量、压力等。然而，物理基础设施与智能网络技术的结合，使得物理基础设施完全暴露在虚拟网络中，容易受到网络攻击，那么系统在网络攻击下可能会出现异常。异常通常可以定义为一些不符合规定的正常行为概念的数据。网络攻击已经成为一种日益严重的威胁。联邦调查局将网络犯罪列为打击犯罪的主要活动。通过美国国土安全部的调查，在关键基础设施中最容易受到网络攻击的是配水系统，配水系统是仅次于关键制造业和能源行业的第三大目标行业。攻击者通过攻击监控与数据采集系统间接导致配水系统异常。例如，攻击者有不同的攻击方法来恶意篡改水箱的水位。因此，识别这些异常极为本文档来自技高网...

【技术保护点】
1.一种基于深度学习的配水系统网络物理攻击检测方法，其特征在于，包括如下步骤：/n步骤一、构建堆栈自编码器并将数据输入获得重构数据；/n步骤二、将所述重构数据与训练集数据进行比较并构建成重构误差矩阵；/n步骤三、将所述重构误差矩阵分解为时间步长的窗口误差，并将所述窗口误差与阈值进行比较：/n若所述窗口误差不大于阈值，则配水系统网络正常；/n若所述窗口误差大于阈值，则配水系统网络检测到攻击。/n

【技术特征摘要】
1.一种基于深度学习的配水系统网络物理攻击检测方法，其特征在于，包括如下步骤：
步骤一、构建堆栈自编码器并将数据输入获得重构数据；
步骤二、将所述重构数据与训练集数据进行比较并构建成重构误差矩阵；
步骤三、将所述重构误差矩阵分解为时间步长的窗口误差，并将所述窗口误差与阈值进行比较：
若所述窗口误差不大于阈值，则配水系统网络正常；
若所述窗口误差大于阈值，则配水系统网络检测到攻击。


2.如权利要求1所述的基于深度学习的配水系统网络物理攻击检测方法，其特征在于，所述构建堆栈自编码器包括如下步骤：
步骤1、构建自编码器；
步骤2、将多个自编码器堆栈构建堆栈自编码器；
步骤3、将训练集数据、验证集数据和测试集数据进行归一化处理，并以训练集数据对堆栈自编码器进行训练，以验证集数据对所述堆栈自编码器进行验证并生成阈值，以测试集数据对所述堆栈自编码器进行测试。


3.如权利要求2所述的基于深度学习的配水系统网络物理攻击检测方法，其特征在于，所述训练集数据是在配水系统网络正常运行的情况下采集的数据，所述验证集数据是在配水系统网络受多种类型的攻击的情况下采集的数据，所述测试集数据是在配水系统网络受多种类型的攻击的情况下采集的数据。


4.如权利要求2所述的基于深度学习的配水系统网络物理攻击检测方法，其特征在于，所述自编码器隐藏层hi满足：
hi＝f(W1x+b1)；
式中，x表示输入数据，且x＝[x(1),x(2),x(3),...,x(n)]T∈Rn，n表示数据的维度，W1表示编码器的权重矩阵，b1表示编码器的偏置向量，hi＝[h(1),h(2),h(3),...,h(m)]T∈Rm，m表示隐藏层的维度，且m＜n，f(z)表示激活函数；...

【专利技术属性】
技术研发人员：李娟，王迪，杜海龙，刘贲，乔乔，左英泽，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22