工业控制网络中入侵波动抑制模型仿真

针对工业控制网络中入侵行为产生的波动,传统的抑制方法在工作过程中,由于入侵波动具有隐匿性、无序性与不稳定性,加之网络噪声的干扰,造成抑制源过多,无法有效辨认,存在效果差、抑制效率低的缺陷。提出利用贝叶斯推理与RBF神经网络优化算法相融合的工业控制网络中入侵波动的抑制方法。采用贝叶斯相关理论建立网络入侵检测的数学模型,实现网络入侵的检测,对网络入侵的波动范围加以确定,依据RBF神经网络优化算法分别计算网络的误差信号及误差阀值,并进行比较,以此作为算法终止的判定条件,通过对时间进行周期性设置从而实现连接权值的实时修正,输出最佳入侵波动的抑制结果。实验结果表明,采用改进算法进行工业控制网络中入侵波动的抑制,能够达到满意的抑制效果,有效的提高网络入侵检测的准确率与检测效率,提高了工业控制网络的安全性与稳定性。

大型网络控制系统中入侵波动抑制模型仿真

大型网络控制系统的入侵波动具有多样性、复杂性和不确定性等特点,导致传统的基于自抗扰控制器的入侵波动抑制方法,无法有效实现大型网络控制系统中入侵波动的抑制,提出一种基于能量管理的入侵波动抑制方法,通过超平面对大型网络控制系统中的数据进行分离,融入拉格朗日乘子,将最小二乘支持向量机分类算法转化成二次规划问题,采用高斯径向基核函数塑造最小乘支持向量机分类模型,采用粒子群改进算法对最小二乘支持向量机参数进行确定。将入侵段能量管理波动抑制划分成纵向与横向两个部分,进行转弯操作,消耗大型网络控制系统入侵者的能量,将大型网络控制系统入侵者的方向对准方向校正柱面,从而实现入侵波动抑制操作。仿真实验结果验证了该方法的有效性。