改进帝王蝶算法在工业入侵检测技术中的应用

针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization,MBO)和狮群进化算法(lion pride optimization,LPO)的全局寻优和局部寻优提高网络参数的求解质量,从而提高入侵检测结果的准确率。实验在工业控制系统标准数据集进行评估,结果表明模型符合工业入侵检测标准,与其它流行算法相比较,优化后的工业入侵检测技术具有较高的检测精度和较快的收敛速度。

面向工艺数据分析的流程工业入侵检测及攻击定位

为解决攻击者利用流程工业生产中深度耦合的工序参数进行生产过程攻击的问题,提出一种基于SSA-LSTM的深度学习算法,对工艺数据进行异常检测。通过麻雀优化算法优化LSTM神经网络的迭代次数、学习率和隐藏层节点数三个超参数,实现对工艺数据的准确预测。将预测数据与真实数据进行对比,超出阈值的点定义为异常点,再运用Petri网理论对生产工艺参数间的耦合关系进行建模,确定异常点与入侵点之间的因果关系,为预测结果提供理论支撑。将SWAT水处理系统数据集用于验证算法效率,证明了所提出的模型在检测精度和攻击定位准确性方面优于其他算法模型。实验结果表明,所提出的算法模型可有效检测出通过暴力篡改传感器数据对工业生产造成重大影响的入侵行为。

全互联互通模式下工业AI入侵检测方法分析

工业互联网正保持着活跃地创新发展态势,其强调以物理网络为基础的万物互联互通,因此在这种新模式下,工业信息安全将面临严峻的挑战。本文首先以历年代表性的工业安全事件为例,说明了现阶段工业控制系统所面临的安全问题以及威胁形式,并在此基础上给出了工业互联网建设时所应重点考虑的安全脆弱性,然后重点论述了人工智能(AI,Artificial Intelligence)算法在工业入侵检测中的应用以及分类,分析了每类方法的优势与不足,并提出了全互联互通模式下工业AI入侵检测方法的研究重点。