【技术实现步骤摘要】
本专利技术涉及工业控制系统信息安全领域的对抗攻击防御，尤其涉及一种基于聚类组合优化的工控联邦入侵检测后门防御方法和系统。
技术介绍
1、随着深度学习算法和技术的不断进步，以及对工业控制系统安全性需求的增加，深度学习因其高准确性、实时性、强大的特征学习能力等优势，在工业控制系统入侵检测中发挥着越来越重要的作用。联邦学习作为一种能够保护数据隐私的分布式学习方法，允许工业控制系统中的不同实体(如工厂或设备)共享数据模型而不共享原始数据。这种分布式学习方法可以保护数据隐私，因为原始数据不需要共享到集中式服务器。每个工业控制系统都可以使用本地数据训练模型，这种方式可以减少数据传输和集中式计算的需求，从而提高学习效率。因此，联邦学习为工业控制系统入侵检测提供了一种安全、高效和分散的学习方法，在工业控制系统入侵检测中具有广阔的应用前景。
2、在联邦学习中，后门攻击是一种针对全局模型的恶意攻击方式，它的目标是在联邦学习参数聚合的过程中，向全局模型中植入一个特定的后门，使得全局模型在特定触发条件下产生错误的输出或受到操控。攻击者通过操作受控客...
【技术保护点】
1.一种基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述基于工控联邦入侵检测系统构建训练集与测试集，具体包括：
3.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述第一参数包括种群大小N、最大迭代轮次G、交叉率pc、变异率pm、学习率lr、更新参数降维后的特征数k和分类阈值th；
4.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述根据所述第一参数...
【技术特征摘要】
1.一种基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述基于工控联邦入侵检测系统构建训练集与测试集，具体包括：
3.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述第一参数包括种群大小n、最大迭代轮次g、交叉率pc、变异率pm、学习率lr、更新参数降维后的特征数k和分类阈值th；
4.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述根据所述第一参数，采用离散编码的方式，将待优化聚类组合策略进行编码并生成初始种群sg，具体包括：
5.根据权利要求1所述的基于聚类组合优化的工控联邦入侵检测后门防御方法，其特征在于，所述步骤s4包括如下子步骤：
【专利技术属性】
技术研发人员：曾国强，邵俊敏，陆康迪，翁健，耿光刚，陈泯融，李理敏，
申请(专利权)人：暨南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。