一种自适应的安全监测方法、装置、服务器及储存介质制造方法及图纸

本发明专利技术实施例涉及工业控制网安全监测领域，公开了一种自适应的安全监测方法、装置、服务器及储存介质。本发明专利技术中，通过设置时间序列，根据所述时间序列构建特征向量序列；使用所述训练后的TCN卷积模型根据所述特征向量序列生成预测序列；根据所述预测序列和所述特征向量序列判别是否发生异常。使得网络监测方法可以在不同环境、不同网络中自适应的进行网络检测，同时进行对信息之间深层的关联关系的捕捉，提升了监测结果质量和检测方法的泛化能力。力。力。

【技术实现步骤摘要】
一种自适应的安全监测方法、装置、服务器及储存介质


[0001]本专利技术实施例涉及工业控制网安全监测领域，特别涉及一种自适应的安全监测方法、装置、服务器及储存介质。

技术介绍

[0002]近年工控安全事件频发，促使企业考虑安全和效益之间的平衡。一方面，企业为了提高生产执行效率，打通了生产控制系统和企业管理系统，实现了数据的实时交互，但也导致了工控设备与互联网直接相连，存在极大的网络病毒入侵风险。另一方面，企业为了加快自动化的脚步，提高生产效率，采购了大批自动化生产设备。这些设备的运行维护，一般都通过互联网工程师远程实现，这大大提升了病毒侵入的可能性。因此，工业控制网的安全需求很大。
[0003]专利技术人发现相关技术中至少存在如下问题：(1)安全监测方法中所用模型对于单个行业的专家知识过于依赖，造成安全监测方法在不同行业、不同网络中的迁移性差，无法自适应的生成适合与本地网络环境的安全监测策略。(2)模型缺少对信息之间深层的关联关系的捕捉，从而影响最终的监测结果及模型的泛化能力。

技术实现思路

[0004]本专利技术实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应的安全监测方法，其特征在于，包括：设置时间序列，根据所述时间序列构建特征向量序列；使用训练后的TCN卷积模型根据所述特征向量序列生成预测序列；根据所述预测序列和所述特征向量序列判别是否发生异常。2.根据权利要求1所述的自适应的安全监测方法，其特征在于，所述使用训练后的TCN卷积模型根据所述特征向量序列生成预测序列前，包括：采用长短周期交替更新策略，周期性的对所述TCN卷积模型进行训练；所述长短周期交替更新策略包括：定义长周期的长度为LP，定义短周期的长度为SP；所述TCN卷积模型完成长周期的训练之后，若经过了LP个时间窗口，则根据所述LP个时间窗口的时间序列构建所述特征向量序列，再次对所述TCN卷积模型进行所述长周期的训练；所述TCN卷积模型完成短周期的训练之后，若经过了SP个时间窗口，则根据所述SP个时间窗口的时间序列构建所述特征向量序列，再次对所述TCN卷积模型进行所述短周期的训练；当所述长周期的训练和所述短周期的训练发生碰撞的时候选择进行所述长周期的训练。3.根据权利要求2中所述的自适应的安全监测方法，其特征在于，所述周期性的对所述TCN卷积模型进行训练，包括：周期性的对所述TCN卷积模型采用随机梯度下降法进行训练。4.根据权利要求1所述的自适应的安全监测方法，其特征在于，所述根据所述预测序列和所述特征向量序列判别是否发生异常，包括：根据所述预测序列和所述特征向量序列生成误差矩阵；通过所述预测序列和所述误差矩阵和概率密度估计方法，判断数据是否异常。5.根据权利要求4所述的自适应的安全监测方法，其特征在于，所述通过所述预测序列和所述误差矩阵和概率密度估计方法，判断数据是否异常，包括：根据所述误差矩阵计算与所述误差矩阵对应的协方差矩阵；根据所述预测序列的高斯分布和...

【专利技术属性】
技术研发人员：郑忠斌，王朝栋，彭新，
申请(专利权)人：工业互联网创新中心上海有限公司，
类型：发明
国别省市：