基于时间序列的工业控制系统态势组合预测方法技术方案

本发明专利技术属于工业控制系统网络信息安全领域，具体的说是一种基于时间序列的工业控制系统态势组合预测方法。本发明专利技术包括以下步骤：数据预处理、建立两种单一预测模型、组合方法优化、预测结果融合模型。本发明专利技术能够有效的改善不同的单一模型具有不同侧重的问题，本发明专利技术提出的组合加权方法的预测精度能够明显高于各单一预测模型的精度，本发明专利技术提出高精度融合模型的预测结果能够为安全管理员做出下一步的安全防范措施提供可靠的理论依据。安全防范措施提供可靠的理论依据。安全防范措施提供可靠的理论依据。

【技术实现步骤摘要】
基于时间序列的工业控制系统态势组合预测方法


[0001]本专利技术属于工业控制系统网络信息安全领域，具体的说是一种基于时间序 列的工业控制系统态势组合预测方法。

技术介绍

[0002]随着信息化与工业化深度融合以及物联网的快速发展，工业控制系统产品 越来越多地采用通用协议、通用硬件和通用软件。网络化浪潮又将诸如嵌入式 技术、多标准工业控制网络互联、无线技术等新兴技术融合进来，从而拓展了 工业控制的发展空间，带来新的发展机遇，同时也带来了工业控制系统的信息 安全等问题。
[0003]20世纪90年代，各个领域都逐渐引入态势感知的概念，其中网络安全领域 出现了“网络态势感知(CSA)”这个概念，它是指在大规模网络环境中对能够引 起网络态势发生变化的安全要素进行获取、理解、显示以及最近发展趋势的预 测，目的是要为安全管理员的决策提供可靠的支持。
[0004]工业控制系统态势感知模型可以分为三个部分：态势要素获取层、态势理 解层和态势预测层。本文主要对态势预测层进行研究和分析：
[0005]态势要素获取层：这一层是针对工业互联网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时间序列的工业控制系统态势组合预测方法，其特征在于，包括以下步骤：1)数据预处理：将收集的历史数据序列进行数据预处理：删除其中的离群点；对历史数据序列进行假数据注入攻击，填充其中的缺失值，得到可用于计算的时序数据；2)建立两种单一预测模型：将可用于计算的时序数据序列分别输入到两种单一预测模型中，得到两种不同的预测结果序列；3)组合方法优化：将两种不同的预测结果序列，分别进行均方误差的精确度检测，得到两种单一模型的均方误差集合，均方误差集合中元素经过对数函数的映射后获得新的集合，对新集合中元素进行归一化处理后，将其分别设置为两组模型的权值；4)预测结果融合模型：将两组模型的预测结果序列和各自的权值作为输入，建立预测结果融合模型，输出态势预测的最终预测结果。2.根据权利要求1所述的基于时间序列的工业控制系统态势组合预测方法，其特征在于，所述假数据注入攻击的方法为：浪涌攻击surge
atc
、偏差攻击bias
atc
和几何攻击geom
atc
，模拟攻击的形式采用其中的一种或者多种组合。3.根据权利要求1所述的基于时间序列的工业控制系统态势组合预测方法，其特征在于，所述填充历史数据序列中的缺失值的方法为：采用时间滑窗内均值填充。4.根据权利要求1所述的基于时间序列的工业控制系统态势组合预测方法，其特征在于，所述两种单一预测模型为ARIMA模型和灰度预测模型。5.根据权利要求4所述的基于时间序列的工业控制系统态势组合预测方法，其特征在于，所述ARIMA模型包括以下步骤：1)对输入的可用于计算的时序数据序列进行判断，通过计算自相关系数ACF和偏自相关系数PACF判断是否为平稳非纯随机序列，若是平稳非纯随机序列，则进入步骤2)；否则，对可用于计算的时序数据序列进行差分处理，处理后的序列是平稳非纯随机序列时再进入步骤2)；2)根据计算得到的自相关系数ACF和偏自相关系数PACF，将平稳非纯随机序列依据AIC准则或BIC准则进行识别和定阶，定阶原则如下表所示；实验结果数据对比3)进入参数估计阶段：若识别和定阶后的平稳非纯随机序列通过残差方差检测，则进入步骤4)，开始预测序列阶段；否则，返回步骤2)，对平稳非纯随机序列重新进行识别和检验；4)开始预测序列阶段：采用残差方差最小的平稳非纯随机序列拟合历史数据序列得到ARIMA模型预测结果序列。6.根据权利要求5所述的基于时间序列的工业控制态势组合预测方法，其特征在于，所述AIC准则为：
AIC(p0)＝min
1≤n≤M(N)
AIC(n)其中，AIC(n)为赤池信息准则优良性标准，为模型最大似然函数，N为样本数量，n为复杂度的参数个数，AIC(p0)为取最优参数数量时模型的优良性表现，p0为最优参数个数，M(N)等于或为根据样本数量设置的参数数量的最大值，min为取最小函数。7.根据权利要求5所述的基于时间序列的工业控制态势组合预测方法，其特征在于，所述BIC准则为：BIC(n
′0)＝min
1≤n≤M(N)
BIC(n)其中，BIC(n)为贝叶斯信息准则下优良性标准，为模型最大似然函数，N为样本数量，n为代表复杂度的参数个数，BIC(n
′0)为取最优参数个数时模型的，M(N)等于或为根据样本数量设置的参数数量的最大值，min为取最小函数。8.根据权利要求4所述的基于时间序列的工业控制态势组合预测方法，其特征在于，所述灰度预测模型包括以下步骤：当输入是过去n个时刻的数据序列为Y
(0)
＝(y
(0)
(1)，y
(0)
(2)，
…
.，y
(0)
(n))时，灰度预测的步骤为：1)首先对时间序列为Y
(0)
做级比校验，n样本个数，y
(0)
(k)为序列为Y
(0)
中k时刻的...

【专利技术属性】
技术研发人员：尚文利，王晓鹏，赵剑明，佟国毓，刘贤达，陈春雨，齐盈盈，
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：