CN110865625A - 一种基于时间序列的工艺数据异常检测方法 - Google Patents
一种基于时间序列的工艺数据异常检测方法 Download PDFInfo
- Publication number
- CN110865625A CN110865625A CN201810985559.2A CN201810985559A CN110865625A CN 110865625 A CN110865625 A CN 110865625A CN 201810985559 A CN201810985559 A CN 201810985559A CN 110865625 A CN110865625 A CN 110865625A
- Authority
- CN
- China
- Prior art keywords
- process data
- neural network
- network model
- anomaly detection
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 5
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008447 perception Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于时间序列的工艺数据异常检测方法，通过自编码神经网络模型对工业数据进行降维处理，再通过LSTM神经网络模型进行工艺数据的检测，包括以下步骤：对工业数据进行预处理得到工业数据特征；根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维；根据降维后的工艺数据特征构建LSTM神经网络模型；通过LSTM神经网络模型进行工艺数据的异常检测。本发明基于时间序列的异常检测模型能有效提高工艺数据异常检测准确率，并且误报率要低于传统异常检测模型。在不改变现有硬件设备架构的前提下，结合嵌入式设备自身特点，适合在各种设备中搭建平台。
Description
技术领域
本发明涉及一种基于时间序列的工艺数据异常检测方法，其能确保工业数据在发生异常的情况下自动检测警报，属于工业系统的信息安全技术领域。
背景技术
现阶段，工业控制系统已广泛应用于电力、轨道交通、石油化工、核设施等行业中，据统计，超过80％涉及国计民生的关键基础设施都依靠工业控制系统来实现自动化作业。近几年，针对工业控制系统的各种网络攻击与入侵事件屡见不鲜，根据美国国土安全部下属的工业控制系统网络应急响应小组(Industrial Control Systems Cyber EmergencyResponse Team，ICS-CERT) 连续三年的安全研究报告，针对工业控制系统的安全事件呈阶梯状增长态势，仅2015年该小组收集到全球工控安全漏洞数量就达到427个。
工业控制系统的异常检测主要目的是在恶意攻击发生时进行实时监测与报警，是一种对工业控制系统局部关键区域进行安全检测的技术手段。然而，为了保障工业控制系统全方位的安全稳定运行，不仅需要攻击发生时的实时检测，同时更加需要对攻击即将发生时的有效预测，从整体角度感知整个工业控制系统的安全态势。因此，基于上述异常检测方法，需要进一步研究工业控制系统的安全感知理论，提供对未来一段时间内系统安全状况进行合理准确预测的能力。现阶段，针对工业控制系统的安全感知研究已经逐渐开始，但为数尚少。其中，论述了如何攻击智能电网，提出了智能电网环境下态势感知的具体要求；说明了电力系统中导致不充分态势感知的因素，并用马尔可夫模型评估不充分态势感知的影响；借助态势感知实现工控系统的自适应安全，辅助系统管理人员制定安全决策；结合完整性攻击研究，建立基于拜占庭将军问题的工控网络安全态势感知模型，判断系统中的恶意节点。上述研究工作表明安全感知理论已经在工业控制系统进行了初步探索，但在安全感知的工控独特要求及针对性方法设计方面还有待完善，主要原因在于：一方面，目前针对工业控制系统的信息安全需求及技术研究仍不成熟，工业控制系统的安全边界条件仍需进一步论证；另一方面，工业控制系统具有相对特殊的系统结构及通信特点，而信息安全研究人员难以从这些特点出发进行工业控制系统的安全感知研究。
发明内容
针对上述提出的工控信息安全的要求，本发明的目的是一种基于SAE-LSTM 异常检测模型，本发明以工控系统中的工艺数据为检测对象，重点研究了如何在高维、复杂、大规模的工艺数据中将异常数据标识出来，以构建实时的工控信息安全异常检测模型。其中，SAE表示堆叠自编码神经网络模型，LSTM表示长短期记忆神经网络模型(Long Short-TermMemory)。
本发明解决其技术问题所采用的技术方案是：一种基于时间序列的工艺数据异常检测方法，通过自编码神经网络模型对工业数据进行降维处理，再通过 LSTM神经网络模型进行工艺数据的检测，包括以下步骤：
对工业数据进行预处理得到工业数据特征；
根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维；
根据降维后的工艺数据特征构建LSTM神经网络模型；
通过LSTM神经网络模型进行工艺数据的异常检测。
一种基于时间序列的工艺数据异常检测方法，用于Lambda架构。
所述预处理采用相关系数方法进行降维。
所述相关系数方法中相关系数的取值区间在1到-1之间。
所述根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维具体为：
将预处理后的工业数据特征作为自编码神经网络模型的输入，输出为降维后的工业数据特征，实现工艺数据特征降维。
所述自编码神经网络模型为两层；第一层中间的隐藏层n由500神经元组成，使用随机梯度下降训练得到最小损失，再把结果作为第二层输入，第二层的中间隐藏层由125个神经元组成。
在所述自编码神经网络模型第二层的隐藏层与输出的降维工艺数据特征之间引入Dropout层。
所述根据降维后的工艺数据特征构建LSTM神经网络模型具体为：
将降维后的工艺数据特征作为LSTM神经网络模型的输入，输出为用于训练的异常工艺数据。
所述LSTM神经网络模型选用交叉熵损失函数，采用随机梯度下降法更新网络参数；评估函数选用Adam自适应矩估计。
构建LSTM神经网络模型时，通过使用动量的形式平滑网络训练的收敛曲线震荡。
本发明具有以下有益效果及优点：
1.基于时间序列的异常检测模型能有效提高工艺数据异常检测准确率,并且误报率要低于传统异常检测模型。
2.本发明在不改变现有硬件设备架构的前提下，结合嵌入式设备自身特点，适合在各种设备中搭建平台。
附图说明
图1为本发明的基于SAE-LSTM异常检测系统的架构图。
图2为本发明的基于LSTM的异常检测系统的神经网络结构图。
图3为本发明的基于LSTM的异常检测系统运行架构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
一种基于时间序列的工艺数据异常检测方法，包括以下步骤：
第一步：在模型搭建之前，设计整体实时异常检测架构；
实时工艺数据异常检测模型的部署使用Lambda架构，分为实时响应、快速处理层和批处理层。
收集数据阶段：程序从工业实时数据库中抓取最新1000个样本，使用非阻塞的异步写入接口，使用循环的检测程序不断抓取最新的数据库样本。
数据处理消息源：由不同程序对抓取到的工业数据进行特征的预处理，再将数据发送到之后的消息处理单元，特征的处理选用特征相关系数方法，特征之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间，去除相关度较高特征。
消息存储单元：
消息处理单元完成信息处理之后，将数据处理结果写入到Mysql数据库。
第二步：构建堆叠自编码神经网络模型，设计神经网络结构，进行工艺数据降维；
通过使用动量的形式来平滑网络训练的收敛曲线震荡，改善传统梯度下降，促进超参数动态调整。
所述SAE神经网络模型使用两层的堆叠自编码神经网络，第一层中间的隐藏层n由500神经元组成，使用随机梯度下降训练得到最小损失，再把结果作为第二层输入，第二层的中间隐藏层由125个神经元组成。
损失函数选择交叉熵损失，激活函数使用sigmoid非线性激活函数。
为了增强模型的泛化性能和避免过拟合，引入Dropout层，Dropout参数选择0.5，选择随机丢弃一半的参数。
第三步：构建LSTM神经网络模型，设计神经网络结构。
选用交叉熵损失函数，用于LSTM网络的随机梯度下降法更新网络参数。评估函数选用Adam自适应矩估计。
通过使用动量的形式来平滑网络训练的收敛曲线震荡，改善传统梯度下降，促进超参数动态调整。
所述LSTM神经网络模型包括一层256维全连接层，两层28*256维lstm神经元，为了防止过拟合，Dropout层参数为0.6。
所述LSTM神经网络时间步长大小timestep_size取3，实验验证此刻状态与之前三个状态相关联，预测效果最佳。
针对时间序列的工艺数据异常检测平台，能够利用时间序列预测工控系统中被入侵感染的异常工艺数据，并及时发出警报，尽量降低实际工业现场损失，通过SAE神经网络达到数据降维效果，降低实时数据处理时间，使用LSTM神经网络作为异常检测主模型。
为了对工业网络中工艺数据的安全防护，为工业实时数据库构建数据异常检测系统运行环境。参见图1，示出了本发明基于时序状态的LSTM异常检测系统架构，异常检测系统上层连接统一安全管控平台，下层连接从工业现场实时导入的工业实时数据库，参见图2，示出了LSTM的神经网络结构图，参见图3，示出了异常检测模型的流程图，从开始导入工艺数据到工艺数据的降维模型处理，经过长短期记忆神经网络异常检测模型得到异常值的概率，再根据训练结果使用网格搜索确定判定异常的阈值大小，最终输送给统一管理平台和日志记录。本发明的方法在具体实施时，工作主要流程如下：
步骤一：从工业实时数据库获取数据进行前期的数据预处理。
步骤二：在异常检测平台中搭建降噪自编码神经网络，通过最小化交叉熵损失函数，使用AdamOptimizer优化方法训练模型权重。
步骤三：在异常检测平台中搭建长短期记忆神经网络，通过最小化交叉熵损失函数，使用MomentumOptimizer动量优化方法，加快训练模型，训练模型权重，输出十维的异常指标，另外的模型参数为：
确定每一层网络节点的丢弃比例Drop_out＝0.6；
确定LSTM的层数＝2及时间窗口lookback＝3；
确定模型训练的数据轮询次数epoch＝10和批次大小batch_size＝200；
步骤四：对输出的结构使用网格搜索交叉验证的方法，使用十折交叉验证寻找最优阈值，提高模型的灵敏度，平衡模型灵敏度与误报率。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明的实例开发出以上五个步骤，从而实现基于SAE-LSTM的异常检测系统构建。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于时间序列的工艺数据异常检测方法，其特征在于，通过自编码神经网络模型对工业数据进行降维处理，再通过LSTM神经网络模型进行工艺数据的检测，包括以下步骤：
对工业数据进行预处理得到工业数据特征；
根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维；
根据降维后的工艺数据特征构建LSTM神经网络模型；
通过LSTM神经网络模型进行工艺数据的异常检测。
2.根据权利要求1的一种基于时间序列的工艺数据异常检测方法，其特征在于，用于Lambda架构。
3.根据权利要求1所述的一种基于时间序列的工艺数据异常检测方法，所述预处理采用相关系数方法进行降维。
4.根据权利要求3所述的一种基于时间序列的工艺数据异常检测方法，所述相关系数方法中相关系数的取值区间在1到-1之间。
5.根据权利要求1所述的一种基于时间序列的工艺数据异常检测方法，所述根据工业数据特征构建自编码神经网络模型，进行工艺数据特征降维具体为：
将预处理后的工业数据特征作为自编码神经网络模型的输入，输出为降维后的工业数据特征，实现工艺数据特征降维。
6.根据权利要求1或5所述的一种基于时间序列的工艺数据异常检测方法，所述自编码神经网络模型为两层；第一层中间的隐藏层n由500神经元组成，使用随机梯度下降训练得到最小损失，再把结果作为第二层输入，第二层的中间隐藏层由125个神经元组成。
7.根据权利要求1或5所述的一种基于时间序列的工艺数据异常检测方法，在所述自编码神经网络模型第二层的隐藏层与输出的降维工艺数据特征之间引入Dropout层。
8.根据权利要求5所述的一种基于时间序列的工艺数据异常检测方法，所述根据降维后的工艺数据特征构建LSTM神经网络模型具体为：
将降维后的工艺数据特征作为LSTM神经网络模型的输入，输出为用于训练的异常工艺数据。
9.根据权利要求8所述的一种基于时间序列的工艺数据异常检测方法，所述LSTM神经网络模型选用交叉熵损失函数，采用随机梯度下降法更新网络参数；评估函数选用Adam自适应矩估计。
10.根据权利要求8所述的一种基于时间序列的工艺数据异常检测方法，构建LSTM神经网络模型时，通过使用动量的形式平滑网络训练的收敛曲线震荡。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985559.2A CN110865625A (zh) | 2018-08-28 | 2018-08-28 | 一种基于时间序列的工艺数据异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985559.2A CN110865625A (zh) | 2018-08-28 | 2018-08-28 | 一种基于时间序列的工艺数据异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110865625A true CN110865625A (zh) | 2020-03-06 |
Family
ID=69651704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810985559.2A Pending CN110865625A (zh) | 2018-08-28 | 2018-08-28 | 一种基于时间序列的工艺数据异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110865625A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738335A (zh) * | 2020-06-23 | 2020-10-02 | 鲁东大学 | 一种基于神经网络的时间序列数据异常检测方法 |
| CN112383575A (zh) * | 2021-01-18 | 2021-02-19 | 北京晶未科技有限公司 | 用于信息安全的方法、电子装置和电子设备 |
| CN112445957A (zh) * | 2020-11-05 | 2021-03-05 | 西安电子科技大学 | 社交网络异常用户检测方法、系统、介质、设备、终端 |
| CN112615843A (zh) * | 2020-12-08 | 2021-04-06 | 国网四川省电力公司信息通信公司 | 一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法 |
| CN112948715A (zh) * | 2021-03-02 | 2021-06-11 | 杭州电子科技大学 | 基于短时gps轨迹数据的车辆分类方法 |
| CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563426A (zh) * | 2017-08-25 | 2018-01-09 | 清华大学 | 一种机车运行时序特征的学习方法 |
| US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
| CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
| CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
| CN108255656A (zh) * | 2018-02-28 | 2018-07-06 | 湖州师范学院 | 一种应用于间歇过程的故障检测方法 |
-
2018
- 2018-08-28 CN CN201810985559.2A patent/CN110865625A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
| CN107563426A (zh) * | 2017-08-25 | 2018-01-09 | 清华大学 | 一种机车运行时序特征的学习方法 |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
| CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
| CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
| CN108255656A (zh) * | 2018-02-28 | 2018-07-06 | 湖州师范学院 | 一种应用于间歇过程的故障检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 俸世洲等: "基于深度自编码网络的高校招生咨询算法", 《计算机应用》 * |
| 俸世洲等: "基于深度自编码网络的高校招生咨询算法", 《计算机应用》, vol. 37, no. 11, 30 November 2017 (2017-11-30), pages 3323 - 3329 * |
| 卜国卿: "网络流量异常检测技术研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 * |
| 卜国卿: "网络流量异常检测技术研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》, no. 8, 15 August 2018 (2018-08-15), pages 23 - 43 * |
| 於帮兵等: "基于长短时记忆网络的工业控制系统入侵检测", 《信息与控制》 * |
| 於帮兵等: "基于长短时记忆网络的工业控制系统入侵检测", 《信息与控制》, vol. 47, no. 1, 28 February 2018 (2018-02-28), pages 54 - 59 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738335A (zh) * | 2020-06-23 | 2020-10-02 | 鲁东大学 | 一种基于神经网络的时间序列数据异常检测方法 |
| CN112445957A (zh) * | 2020-11-05 | 2021-03-05 | 西安电子科技大学 | 社交网络异常用户检测方法、系统、介质、设备、终端 |
| CN112615843A (zh) * | 2020-12-08 | 2021-04-06 | 国网四川省电力公司信息通信公司 | 一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法 |
| CN112615843B (zh) * | 2020-12-08 | 2022-07-08 | 国网四川省电力公司信息通信公司 | 一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法 |
| CN112383575A (zh) * | 2021-01-18 | 2021-02-19 | 北京晶未科技有限公司 | 用于信息安全的方法、电子装置和电子设备 |
| CN112383575B (zh) * | 2021-01-18 | 2021-05-04 | 北京晶未科技有限公司 | 用于信息安全的方法、电子装置和电子设备 |
| CN112948715A (zh) * | 2021-03-02 | 2021-06-11 | 杭州电子科技大学 | 基于短时gps轨迹数据的车辆分类方法 |
| CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110865625A (zh) | 一种基于时间序列的工艺数据异常检测方法 | |
| Feng et al. | Multi-level anomaly detection in industrial control systems via package signatures and LSTM networks | |
| CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN105471882A (zh) | 一种基于行为特征的网络攻击检测方法及装置 | |
| CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
| Nakhodchi et al. | Steeleye: An application-layer attack detection and attribution model in industrial control systems using semi-deep learning | |
| Ali et al. | Two-tier data-driven intrusion detection for automatic generation control in smart grid | |
| CN110334105B (zh) | 一种基于Storm的流数据异常检测方法 | |
| CN115208604B (zh) | 一种ami网络入侵检测的方法、装置及介质 | |
| CN111392538A (zh) | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 | |
| CN109150872B (zh) | 一种面向智能电网跨层攻击的动态的路径探索方法 | |
| CN106685996A (zh) | 基于hmm模型的账号异常登录检测方法 | |
| CN113992350A (zh) | 基于深度学习的智能电网虚假数据注入攻击的检测系统 | |
| CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
| TW202336549A (zh) | 檢測網路中基礎設施設備產生的時間序列數據異常的方法 | |
| Luktarhan et al. | Multi-stage attack detection algorithm based on hidden markov model | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN111191230A (zh) | 一种基于卷积神经网络的快速网络攻击回溯挖掘方法和应用 | |
| CN114006744B (zh) | 一种基于lstm的电力监控系统网络安全态势预测方法及系统 | |
| Zhao et al. | Compound attack prediction method based on improved algorithm of hidden Markov model | |
| Tan et al. | Using hidden markov models to evaluate the real-time risks of network | |
| CN114397842A (zh) | 电力监控网络安全智能巡检加固方法 | |
| Yin et al. | A network security situation assessment model based on BP neural network optimized by DS evidence theory | |
| Xiong et al. | A Smart Grid Traffic Anomaly Detector Based on Deep Learning | |
| Yu | A new model of intelligent hybrid network intrusion detection system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200306 |
|
| WD01 | Invention patent application deemed withdrawn after publication |