CN105652781A - 一种基于旁路信息的plc安全监控方法 - Google Patents

Abstract

本发明公开了一种基于旁路信息的PLC安全监控方法。借助对功耗旁路信息的分析实现对PLC当前工作的安全监控。以在PLC的供电线路中串入取样电阻的方式，使用高速数据采集设备获取PLC运行时产生的实时功耗信息，根据获取的功耗信息计算出能够反映PLC当前工作的特征信息，根据这些计算得到的特征信息，使用SVM算法构造分类器，实现对PLC当前工作的有效识别。本发明硬件结构简单，无需修改工业控制系统的硬件以及软件系统，不会影响工业控制系统的正常运行，同时能够以高准确率实现对PLC的安全监控。

Description

一种基于旁路信息的PLC安全监控方法

技术领域

本发明涉及一种安全监控方法，尤其是涉及一种基于旁路信息的PLC安全监控方法。

背景技术

以孤岛方式运行的工业控制系统，使用专用设备与协议并且与外界物理环境相对隔绝，在很长一段时间内都是相对安全的。但是为了满足企业不断提高的经营管理要求，顺应信息化以及工业化深度融合的潮流，随着近年来信息技术以及物联网的飞速发展，信息技术大范围的应用于工业控制系统。‘两化融合’带来了生产力的极大提升，但同时也给工业控制系统带来了巨大的安全问题，由于外界网络的接入，现在的工业控制系统不仅需要面临来自企业内部的安全威胁，还可能遭受来自互联网的攻击。工业控制系统是国家的重要基础设施，在满足人民物质需求，保障经济可持续发展以及维护社会稳定方面具有重要作用，其安全事关国家经济安全和人民财产安全，我国政府高度重视工业控制系统的安全问题。

基于旁路信息进行分析的技术，是指通过获取被分析设备运行过程中产生的温度、执行时间、声音、电磁辐射以及能量消耗等物理泄露量，分析设备的内部运行状态。此类分析方法无需改变设备的软硬件结构，不会影响设备的正常运行。在众多的旁路信息分析手段中应用最广泛的为功耗分析、电磁辐射分析和时间分析，其中功耗分析方法具有实现方式简单，分析手段丰富以及分析效果好等优点，是当今最有效的旁路信息分析方法之一。

可编程逻辑控制器(PLC)作为工业控制系统中的关键设备，由于硬件结构以及软件系统的限制，无法移植传统信息领域的安全防护手段，目前尚无针对PLC特性而设计的有效安防手段。众所周知，当且仅当PLC在运行指定程序时，才认为处于安全状态。本发明旨在通过监测PLC的当前工作状态，判断其是否处于指定工作状态，从而来实现安全监控。

发明内容

为解决上述问题，本发明提出一种基于旁路信息的PLC安全监控方法，本发明通过对PLC运行时产生的功耗旁路信息进行分析，实现对PLC内部运行状态的判断，进而实现针对PLC的安全监控的目的。

本发明的目的是通过以下技术方案实现的：一种基于旁路信息的PLC安全监控方法，包括以下步骤：

1)通过在PLC的电源模块以及CPU模块之间串入取样电阻，使用高速数据采集设备采集PLC在运行时产生的功耗信息。

2)从采集得到的原始功耗旁路信息中，计算得到能够反映PLC不同工作状态的功耗特征信息。

3)使用计算得到的功耗特征信息结合SVM机器学习算法训练监控分类器。

4)由步骤3)得到的监控分类器，监测PLC的当前工作状态，实现安全监控。

进一步地，所述的步骤1)中在电源模块与CPU模块之间串联接入阻值大小为0.1欧姆的电阻，进行PLC功耗信息的提取，通过以下公式将功耗信息转换为易测量的电压信号：

V_i＝I_i*R

其中，V_i为高速数据采集器测量的实时电压数值，I_i为电源模块与CPU模块之间的实时电流值，即实时功耗信息，R为电源模块与CPU模块之间串入的电阻，大小为0.1欧姆。同时使用高速数据采集器实时采集串入的取样电阻两端的电压变化情况，采样速率为250KSa/s，采样精度为16bit。

进一步地，所述的步骤2)中将通过高速数据采集器获得的PLC在不同工作时产生的原始功耗旁路信息切割成等时间长度的功耗旁路信息片段，每一个功耗旁路信息片段就是一个功耗信息样本，采用以下公式提取并计算出每个功耗信息样本对应的能够反映PLC不同工作的功耗特征信息。

平均值：

$\stackrel{\‾}{x}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{x}_k---\left(1\right)$

偏度:

$\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^3---\left(2\right)$

峰度：

$\left\{\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^4\right\}---\left(3\right)$

频谱均值：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{f}_k{a}_k---\left(4\right)$

频谱方差：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{(f_k-\stackrel{\‾}{s})}^2*a_k---\left(5\right)$

频谱标准差：

$\sqrt{V_s}---\left(6\right)$

不规律性：

$\frac{{\mathrm{\Σ}}_{k=1}^N(a_k-a_{k+1})}{{\mathrm{\Σ}}_{k=1}^N{a_k}^2}---\left(7\right)$

均方根振幅：

$\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}{a}_k^2}---\left(8\right)$

其中N为功耗数据点数，x_k是第K个点的数值，σ是标准差，a_k为进行频域变换后第K个频率f_k处的能量大小，是频谱均值，V_s是频谱方差。

除计算以上八个功耗特征信息之外，同时使用libxtract工具箱计算Tonality、power以及irregularity_j三个功耗特征信息，得到共计11个功耗特征信息反映功耗信息样本的特征，以便进行下一步的处理。

进一步地，所述的步骤3)中对计算得到的相应功耗信息样本的功耗特征信息，根据对应的工作状态对这些功耗特征信息进行标类。借助标类后得到的功耗样本特征数据，使用libsvm工具箱基于SVM机器学习算法训练监控分类器。

进一步地，所述的步骤4)中使用步骤3)中训练得到的监控分类器，对PLC运行时产生的实时功耗数据进行监控，从而判断出其当前工作状态是否正常，实现对当前PLC的安全监控。

本发明介绍的基于旁路信息的PLC安全监控方法，无需修改工业控制系统的软件及硬件，满足工业控制系统对于安全防护技术的要求，有助于形成全面立体的工业控制系统安全防护体系。

本发明具有的有益效果是：在对工业控制系统中关键设备PLC进行详尽分析的基础上，创新性的以PLC运行时产生的功耗信息作为突破口，实现对PLC的实时运行安全监控，该方法应用过程中无需修改工业控制系统的硬件与软件系统，是对工业控制系统安全防护方法的有效补充。

附图说明

图1为本发明的部署方式示意图。

图2为本发明的硬件结构图；

图3为功耗信息样本长度对识别准确率影响示意图。

图4为采样速率对识别准确率影响示意图。

图5为训练样本数目对识别准确率影响示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。该发明的部署方式见附图1，硬件组成见附图2。

本发明的具体实施例：以西门子公司出品的S7-300型PLC为实验对象对本发明提出的方法进行了实验，使用OHMITE公司的15FR100E型0.1欧姆绕线电阻作为接入供电电源与PLC之间的取样电阻，同时使用安捷伦公司出品的U2541A型高速数据采集器进行实时功耗数据的采集。

使PLC分别运行八种不同的PLC程序，即执行八种不同的工作，使用数据采集器以固定的采样速率采集PLC运行不同程序时产生的不同功耗信息，对采集得到的功耗数据进行分割，分割成等时间长度的功耗样本片段，从而分别得到运行不同程序时的功耗样本片段，然后计算每段功耗样本片段的功耗特征数据，并根据运行程序的不同，对得到的功耗特征数据进行标类，使用libsvm工具箱结合部分标类后的功耗特征数据进行监控分类器的训练。使用训练得到的监控分类器对剩余的功耗样本进行分类测试。

实验过程如下：

(1)使用U2541A型数据采集器以250KSa/s的采样速率采集S7-300型PLC分别运行8种程序时产生的功耗数据，将这些功耗数据按10s、5s、2.5s、1.5s的不同时间长度进行功耗旁路信息分割，获得PLC运行8种程序时产生的功耗信息样本各1200个(包含四种不同时间长度功耗信息样本各300个)。

采用以下公式提取并计算出每个功耗信息样本对应功耗特征信息。

平均值：

$\stackrel{\‾}{x}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{x}_k---\left(1\right)$

偏度:

$\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^3---\left(2\right)$

峰度：

$\left\{\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^4\right\}---\left(3\right)$

频谱均值：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{f}_k{a}_k---\left(4\right)$

频谱方差：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{(f_k-\stackrel{\‾}{s})}^2*a_k---\left(5\right)$

频谱标准差：

$\sqrt{V_s}---\left(6\right)$

不规律性：

$\frac{{\mathrm{\Σ}}_{k=1}^N(a_k-a_{k+1})}{{\mathrm{\Σ}}_{k=1}^N{a_k}^2}---\left(7\right)$

均方根振幅：

$\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}{a}_k^2}---\left(8\right)$

其中N为功耗数据点数，x_k是第K个点的数值，σ是标准差，a_k为进行频域变换后第K个频率f_k处的能量大小，是频谱均值，V_s是频谱方差。

除计算以上八个功耗特征信息之外，同时使用libxtract工具箱计算Tonality、power以及irregularity_j三个功耗特征信息，得到共计11个功耗特征信息反映功耗信息样本的特征，以便进行下一步的处理。

根据功耗信息样本对应的工作状态，对计算得到的功耗特征信息进行标类，总计标成8类。将标类后得到的功耗样本信息特征数据分成等数目的两组，一组使用libsvm工具箱基于SVM机器学习算法训练得到监控分类器，此时根据功耗信息样本时间长度的不同得到四个监控分类器，然后使用训练得到的监控分类器对另一组进行识别，

采用上述4个监控分类器分别对任一PLC程序进行监控识别实验，按待识别程序种类的不同，分别做测试，在测试过程中使用5折交叉验证的方法进行评估统计分析，识别的准确率如图3所示，可以看出时间长度为10s时，监控准确率最高。

(2)使用U2541A型数据采集器分别以250KSa/s、125KSa/s、50KSa/s、25KSa/s和5KSa/s的采样速率采集S7-300型PLC分别运行8种程序时产生的功耗数据，将这些功耗数据分割成10s每段的功耗样本，获得PLC运行8种程序时产生的功耗信息样本各1200个(包含五种不同采样速率获得的信息样本各300个)。

采用以下公式提取并计算出每个功耗信息样本对应功耗特征信息。

平均值：

$\stackrel{\‾}{x}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{x}_k---\left(1\right)$

偏度:

$\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^3---\left(2\right)$

峰度：

$\left\{\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^4\right\}---\left(3\right)$

频谱均值：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{f}_k{a}_k---\left(4\right)$

频谱方差：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{(f_k-\stackrel{\‾}{s})}^2*a_k---\left(5\right)$

频谱标准差：

$\sqrt{V_s}---\left(6\right)$

不规律性：

$\frac{{\mathrm{\Σ}}_{k=1}^N(a_k-a_{k+1})}{{\mathrm{\Σ}}_{k=1}^N{a_k}^2}---\left(7\right)$

均方根振幅：

$\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}{a}_k^2}---\left(8\right)$

其中N为功耗数据点数，x_k是第K个点的数值，σ是标准差，a_k为进行频域变换后第K个频率f_k处的能量大小，是频谱均值，V_s是频谱方差。

除计算以上八个功耗特征信息之外，同时使用libxtract工具箱计算Tonality、power以及irregularity_j三个功耗特征信息，得到共计11个功耗特征信息反映功耗信息样本的特征，以便进行下一步的处理。

根据功耗信息样本对应的工作状态，对计算得到的功耗特征信息进行标类，总计标成8类。将标类后得到的功耗样本信息特征数据分成等数目的两组，一组使用libsvm工具箱基于SVM机器学习算法训练得到监控分类器，此时根据功耗信息样本采样速率的不同得到五个监控分类器，然后使用训练得到的监控分类器对另一组进行识别，

采用上述5个监控分类器分别对任一PLC程序进行监控识别实验，按待识别程序种类的不同，分别做测试，在测试过程中使用5折交叉验证的方法进行评估统计分析，识别的准确率如图4所示，可以看出采样速率为250KSa/s时，监控识别准确率最高。

(3)使用U2541A型数据采集器以250K/Sa/s的采样速率采集S7-300型PLC分别运行8种程序时产生的功耗数据，将这些功耗数据分割成10s每段的功耗样本，获得PLC运行8种程序时产生的功耗信息样本各300个。

采用以下公式提取并计算出每个功耗信息样本对应功耗特征信息。

平均值：

$\stackrel{\‾}{x}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{x}_k---\left(1\right)$

偏度:

$\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^3---\left(2\right)$

峰度：

$\left\{\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^4\right\}---\left(3\right)$

频谱均值：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{f}_k{a}_k---\left(4\right)$

频谱方差：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{(f_k-\stackrel{\‾}{s})}^2*a_k---\left(5\right)$

频谱标准差：

$\sqrt{V_s}---\left(6\right)$

不规律性：

$\frac{{\mathrm{\Σ}}_{k=1}^N(a_k-a_{k+1})}{{\mathrm{\Σ}}_{k=1}^N{a_k}^2}---\left(7\right)$

均方根振幅：

$\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}{a}_k^2}---\left(8\right)$

其中N为功耗数据点数，x_k是第K个点的数值，σ是标准差，a_k为进行频域变换后第K个频率f_k处的能量大小，是频谱均值，V_s是频谱方差。

除计算以上八个功耗特征信息之外，同时使用libxtract工具箱计算Tonality、power以及irregularity_j三个功耗特征信息，得到共计11个功耗特征信息反映功耗信息样本的特征，以便进行下一步的处理。

根据功耗信息样本对应的工作，对计算得到的功耗特征信息进行标类，总计标成8类。将标类后得到的功耗样本信息特征数据分成等数目的两组，一组使用libsvm工具箱基于SVM机器学习算法训练得到监控分类器，此时根据训练分类器时所用特征数据数目的不同得到五个监控分类器，然后使用训练得到的监控分类器对另一组进行识别，

采用上述5个监控分类器分别对任一PLC程序进行监控识别实验，按待识别程序种类的不同，分别做测试，在测试过程中使用5折交叉验证的方法进行评估统计分析，识别的准确率如图5所示，可以看出当训练用特征数据数目为150个，监控识别准确率最高。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种基于旁路信息的PLC安全监控方法，其特征在于：包括以下步骤：

1)通过在PLC的电源模块以及CPU模块之间串入取样电阻，使用高速数据采集设备采集PLC在运行时产生的功耗信息。

2)从采集得到的原始功耗旁路信息中，计算得到能够反映PLC不同工作状态的功耗特征信息。

3)使用计算得到的功耗特征信息结合SVM机器学习算法训练监控分类器。

4)由步骤3)得到的监控分类器，监测PLC的当前工作状态，实现安全监控。

2.根据权利要求1所述的一种基于旁路信息的PLC安全监控方法，其特征在于：所述的步骤1)中在电源模块与CPU模块之间串联接入阻值大小为0.1欧姆的电阻，进行PLC功耗信息的提取，通过以下公式将功耗信息转换为易测量的电压信号：

V_i＝I_i*R

其中，V_i为高速数据采集器测量的实时电压数值，I_i为电源模块与CPU模块之间的实时电流值，即实时功耗信息，R为电源模块与CPU模块之间串入的电阻，大小为0.1欧姆。同时使用高速数据采集器实时采集串入的取样电阻两端的电压变化情况，采样速率为250KSa/s，采样精度为16bit。

3.根据权利要求1所述的一种基于旁路信息的PLC安全监控方法，其特征在于：所述的步骤2)中将通过高速数据采集器获得的PLC在不同工作时产生的原始功耗旁路信息切割成等时间长度的功耗旁路信息片段，每一个功耗旁路信息片段就是一个功耗信息样本，采用以下公式提取并计算出每个功耗信息样本对应的能够反映PLC不同工作的功耗特征信息。

平均值：

$\stackrel{\‾}{x}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{x}_k---\left(1\right)$

偏度:

$\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^3---\left(2\right)$

峰度：

$\left\{\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{\[\frac{x_k-\stackrel{\‾}{x}}{\mathrm{\σ}}\]}^4\right\}---\left(3\right)$

频谱均值：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{f}_k{a}_k---\left(4\right)$

频谱方差：

$\frac{1}{{\mathrm{\Σ}}_{k=1}^N{a}_k}*{\mathrm{\Σ}}_{k=1}^N{(f_k-\stackrel{\‾}{s})}^2*a_k---\left(5\right)$

频谱标准差：

$\sqrt{V_s}---\left(6\right)$

不规律性：

$\frac{{\mathrm{\Σ}}_{k=1}^N(a_k-a_{k+1})}{{\mathrm{\Σ}}_{k=1}^N{a_k}^2}---\left(7\right)$

均方根振幅：

$\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{k=0}^{N-1}{a}_k^2}---\left(8\right)$

其中N为功耗数据点数，x_k是第K个点的数值，σ是标准差，a_k为进行频域变换后第K个频率f_k处的能量大小，是频谱均值，V_S是频谱方差。

除计算以上八个功耗特征信息之外，同时使用libxtract工具箱计算Tonality、power以及irregularity_j三个功耗特征信息，得到共计11个功耗特征信息反映功耗信息样本的特征，以便进行下一步的处理。

4.根据权利要求1所述的一种基于旁路信息的PLC安全监控系统，其特征在于：所述的步骤3)中对计算得到的相应功耗信息样本的功耗特征信息，根据对应的PLC工作状态对这些功耗特征信息进行标类。借助标类后得到的功耗样本特征数据，使用libsvm工具箱基于SVM机器学习算法训练监控分类器。

5.根据权利要求1所述的一种基于旁路信息的PLC安全监控系统，其特征在于：所述的步骤4)中使用步骤3)中训练得到的监控分类器，对PLC运行时产生的实时功耗数据进行监控，从而判断出其当前工作，实现对当前PLC的安全监控。