一种工控网络的攻击样本的生成方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种工控网络的攻击样本的生成方法、装置及存储介质，属于工控系统领域，所述方法包括获取随机向量；将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本；基于所述攻击样本，对攻击检测模型进行训练。能够有效地生成较为真实的工控网络的攻击样本，为攻击检测模型的训练提供了样本的基础，进而能够得到具备攻击检测能力的攻击检测模型，有效地为工控网络的安全提供了保护，避免工控网络遭到攻击造成损失。避免工控网络遭到攻击造成损失。避免工控网络遭到攻击造成损失。

【技术实现步骤摘要】
一种工控网络的攻击样本的生成方法、装置及存储介质


[0001]本专利技术属于工控系统领域，尤其涉及一种工控网络的攻击样本的生成方法、装置及存储介质。

技术介绍

[0002]随着计算机技术和网络通信技术应用于工业控制系统，在推动工业控制系统发展的同时带来了相应的网络安全问题，对工控网络进行攻击检测，以保证工控网络的安全是相当必要的。
[0003]近年来，人工智能、深度学习等技术的兴起，基于深度学习对工控网络中的攻击行为进行检测成为了新的技术发展趋势。然而，在相关技术中，用于工控网络的攻击检测模型训练的攻击样本较少，很难支撑攻击检测模型的有效训练。

技术实现思路

[0004]本专利技术的目的在于提供一种工控网络的攻击样本的生成方法、装置及存储介质，以克服现有用于工控网络的攻击检测模型训练的攻击样本不足的问题。
[0005]一种工控网络的攻击样本的生成方法，所述方法包括
[0006]获取随机向量；
[0007]将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本；
[0008]基于所述攻击样本，对攻击检测模型进行训练。
[0009]优选的，所述获取随机向量包括：
[0010]根据高斯混合模型得到第一随机值；
[0011]根据标准正态分布得到第二随机值；
[0012]根据所述第一随机值以及所述第二随机值，确定所述随机向量。
[0013]优选的，所述将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本包括：
[0014]将所述随机向量，以及样本标签约束，输入所述样本生成器，生成对应所述样本标签约束的攻击样本。
[0015]优选的，所述样本生成器包括全连接层、重塑层、转置卷积层以及卷积层；
[0016]所述将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本包括：
[0017]将所述随机向量输入所述全连接层，得到多神经元隐藏层的第一特征向量；
[0018]将所述第一特征向量输入所述重塑层，得到三维结构的第一特征张量；
[0019]将所述第一特征张量输入所述转置卷积层，得到转置卷积后的第二特征张量；
[0020]将所述第二特征张量输入所述卷积层，得到与真实攻击样本相同结构的工控网络的攻击样本。
[0021]优选的，所述全连接层、以及所述转置卷积层的非线性激活函数为LeakyRelu函
数；
[0022]所述卷积层的非线性激活函数为Sigmoid函数。
[0023]优选的，所述样本生成器的训练包括：
[0024]将所述随机向量输入初始生成器，得到第一攻击样本；
[0025]将所述第一攻击样本，以及真实攻击样本输入判别器，得到判别结果；
[0026]根据所述判别结果，对所述初始生成器的参数进行更新；
[0027]在确定满足预设条件的情况下，得到训练完成的样本生成器。
[0028]优选的，所述方法包括：
[0029]将所述随机向量，以及样本标签约束，输入所述初始生成器，生成对应所述样本标签约束的第二攻击样本；
[0030]将所述样本标签约束以及所述第二攻击样本输入所述判别器，得到第一判别结果；
[0031]根据所述第一判别结果，对所述初始生成器的参数进行更新。
[0032]一种工控网络的攻击样本的生成装置，所述装置包括
[0033]获取模块，用于获取随机向量；
[0034]生成模块，用于将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本；
[0035]训练模块，用于基于所述攻击样本，对攻击检测模型进行训练。
[0036]一种工控网络的攻击样本的生成装置，包括：
[0037]处理器；用于存储处理器可执行指令的存储器；
[0038]其中，所述处理器被配置为：获取随机向量；将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本；基于所述攻击样本，对攻击检测模型进行训练。
[0039]一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述攻击样本的生成方法的步骤。
[0040]与现有技术相比，本专利技术具有以下有益的技术效果：
[0041]本专利技术一种工控网络的攻击样本的生成方法，通过将随机向量输入预先训练得到的样本生成器，通过该样本生成器生成工控网络的攻击样本，并基于生成得到的攻击样本对攻击检测模型进行训练，能够有效地生成较为真实的工控网络的攻击样本，为攻击检测模型的训练提供了样本的基础，进而能够得到具备攻击检测能力的攻击检测模型，有效地为工控网络的安全提供了保护，避免工控网络遭到攻击造成损失。
附图说明
[0042]图1是本专利技术实施例示出的一种工控网络的攻击样本的生成方法流程图。
[0043]图2是本专利技术实施例示出的一种样本生成器的训练方法的流程图。
[0044]图3是本专利技术实施例示出的一种生成对抗网络的示意图。
[0045]图4是本专利技术实施例1中一种工控网络的攻击样本的生成装置的框图。
[0046]图5是本专利技术实施例2中一种工控网络的攻击样本的生成装置的框图。
[0047]图6是本专利技术实施例3中一种工控网络的攻击样本的生成装置的框图。
具体实施方式
[0048]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0049]随着计算机技术和网络通信技术应用于工业控制系统，带来了工业控制系统的网络安全问题，对工控网络开展攻击检测，以保证工控网络的安全是相当必要的。并且，随着人工智能、深度学习等技术的兴起，基于深度学习对工控网络中的攻击进行检测越来越常见。
[0050]然而，在相关技术中，用于工控网络的攻击检测模型训练的攻击样本较少，无法支持攻击检测模型的训练。
[0051]此外，值得说明的是，工控网络中的网络攻击多为偶发事件，攻击报文数量往往有限，并且，对于工控网络，攻击者更加追求“悄无声息”的入侵，攻击样本往往数量更小，小样本问题更加凸显，这会使模型没有充足的信息可以学习。
[0052]为了解决相关技术中存在的问题，本公开提供一种工控网络的攻击样本的生成方法、装置及存储介质。
[0053]如图1所示，一种工控网络的攻击样本的生成方法，其执行主体为服务器或者是工控网络中的任意一个具备信息处理能力的电子设备，具体包括以下步骤：
[0054]S101、获取随机向量。
[0055]其中，该随机向量可以是一个128维的随机向量，也可以是其他维度的随机向量，本公开对此不做限定。
[0056本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工控网络的攻击样本的生成方法，其特征在于，所述方法包括获取随机向量；将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本；基于所述攻击样本，对攻击检测模型进行训练。2.根据权利要求1所述的一种工控网络的攻击样本的生成方法，其特征在于，所述获取随机向量包括：根据高斯混合模型得到第一随机值；根据标准正态分布得到第二随机值；根据所述第一随机值以及所述第二随机值，确定所述随机向量。3.根据权利要求1所述的一种工控网络的攻击样本的生成方法，其特征在于，所述将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本包括：将所述随机向量，以及样本标签约束，输入所述样本生成器，生成对应所述样本标签约束的攻击样本。4.根据权利要求1所述的一种工控网络的攻击样本的生成方法，其特征在于，所述样本生成器包括全连接层、重塑层、转置卷积层以及卷积层；所述将所述随机向量输入预先训练得到的样本生成器，生成工控网络的攻击样本包括：将所述随机向量输入所述全连接层，得到多神经元隐藏层的第一特征向量；将所述第一特征向量输入所述重塑层，得到三维结构的第一特征张量；将所述第一特征张量输入所述转置卷积层，得到转置卷积后的第二特征张量；将所述第二特征张量输入所述卷积层，得到与真实攻击样本相同结构的工控网络的攻击样本。5.根据权利要求4所述的一种工控网络的攻击样本的生成方法，其特征在于，所述全连接层、以及所述转置卷积层的非线性激活函数为LeakyRelu函数；所述卷积层的非线性激活函数为Sig...

【专利技术属性】
技术研发人员：刘超飞，朱博迪，刘迪，刘骁，肖力炀，曾荣汉，杨东，崔逸群，毕玉冰，董夏昕，介银娟，崔鑫，王艺杰，朱召鹏，王文庆，邓楠轶，
申请(专利权)人：华能集团技术创新中心有限公司，
类型：发明
国别省市：