CN114389736B - 一种基于长短期记忆网络的时间同步安全监测方法及系统 - Google Patents
一种基于长短期记忆网络的时间同步安全监测方法及系统 Download PDFInfo
- Publication number
- CN114389736B CN114389736B CN202111533700.3A CN202111533700A CN114389736B CN 114389736 B CN114389736 B CN 114389736B CN 202111533700 A CN202111533700 A CN 202111533700A CN 114389736 B CN114389736 B CN 114389736B
- Authority
- CN
- China
- Prior art keywords
- time
- long
- memory network
- subsystem
- training
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0638—Clock or time synchronisation among nodes; Internode synchronisation
- H04J3/0658—Clock or time synchronisation among packet nodes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J14/00—Optical multiplex systems
- H04J14/02—Wavelength-division multiplex systems
- H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的时间同步安全监测方法及系统,其中监测方法包括:步骤S1.搭建时间同步安全监测系统,该系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统;步骤S2.采集获取用于时间安全防护子系统进行训练的基本数据;步骤S3.在时间安全防护子系统上搭建长短期记忆网络,基于构造的训练数据集对长短期记忆网络进行训练;步骤S4.时间同步安全监测系统进行实地部署,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习。本发明能消除环境变化及噪声干扰对攻击识别准确性影响,提升时间同步攻击识别准确性。
Description
技术领域
本发明涉及时频技术领域,尤其涉及一种基于长短期记忆网络的时间同步安全监测方法及系统。
背景技术
高精度时间同步技术在基础科学、天文观测、定位导航、国防安全、通信以及金融等领域均有广泛而重要的应用。基于光纤链路的时间传递同步技术以其具有低损耗、高稳定度优势而逐渐发展成为一种新型时间同步技术。
目前基于光纤链路的时间同步方法可分为单向法传输和双向法传输。在传递距离长、传递精度要求高的应用当中,双向时间传递方法则更为适用。基于光纤链路的双向时间传递方法前提条件为先通过估算或实测等方法获得两地之间的传输时延,假设系统在传输时延的非对称性补偿后,系统双向传输时延对称,基于两地测得的时间差对被授时时钟进行补偿,实现时钟同步。因此外界恶意施加的非对称性攻击会隐藏在两地时钟同步误差数据中,难以准确识别出来,严重影响系统时钟同步精度。
传统的时间同步安全监测方法通过统计分析系统在无攻击条件下时间同步误差发展变化特性,设定时间同步误差的阈值,每一次将获取的时间同步误差数据与阈值比较,判断系统时间同步传输链路是否遭受攻击。基于阈值判定的时间同步攻击识别方法需对系统的时钟发展变化特性进行统计分析,统计分析的准确性严重影响攻击识别准确度。当环境发生变化时,时间同步系统传输特性发生变化,需重新进行统计分析。基于长短期记忆网络的时间同步安全防护方法无需在模型构建之初测算系统运行过程中各项特性参数。在训练学习的过程中,长短期记忆网络能够通过学习过滤掉时间同步系统所固有的非对称量以及环境干扰对攻击识别的影响,记录攻击与输入网络的时间误差数据变化特性之间的关系,环境适应性更好,攻击识别准确性更高。
发明内容
针对传统时间同步安全监测方法抗干扰性差,准确度低的问题,本发明提出一种基于长短期记忆网络的时间同步安全监测方法及系统,无需对系统时钟发展变化特性进行统计分析,同时能消除环境变化及噪声干扰对攻击识别准确性影响,以提升时间同步攻击识别准确性。
本发明采用的技术方案如下:
一种基于长短期记忆网络的时间同步安全监测方法,包括:
步骤S1.搭建时间同步安全监测系统,该时间同步安全监测系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数;
步骤S2.采集获取用于时间安全防护子系统进行训练的基本数据:时间信息采集子系统利用第一时间间隔计数器在主时钟端采集主时钟与从时钟传输过来时间信号的时间差,记为TIC1;并利用第二时间间隔计数器在从时钟端采集从时钟与主时钟端传输过来时间信号的时间差,记为TIC2;环境传感子系统采集主时钟端的温度及湿度并记为Temp1、Hum1,采集从时钟端的温度及湿度并记为Temp2、Hum2;
步骤S3.在时间安全防护子系统上搭建长短期记忆网络,构造用于长短期记忆网络训练的样本数据集,基于构造的训练数据集对长短期记忆网络进行训练,形成成熟的用于时间同步攻击识别的长短期记忆网络模型;
步骤S4.时间同步安全监测系统进行实地部署,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习;强化学习后将TIC1、TIC2、Temp1、Hum1、Temp2、Hum2作为长短期记忆网络模型的输入,输出结果作为传输链路安全状态的判定,并根据判定结果选择本地时钟同步误差更新策略。
进一步地,所述步骤S3包括:
步骤S301.在时间安全防护子系统上搭建长短期记忆网络;
步骤S302.确定输入长短期记忆网络应包含的特征数据及标签数据;
步骤S303.所述特征数据在输入长短期记忆网络前,进行归一化处理;
步骤S304.归一化后的特征数据在输入长短期记忆网络前,根据网络结构特征构造批数据;
步骤S305.确定用于长短期记忆网络训练的标签数据:无攻击标签数据设定为0,有攻击标签数据设定为1;
步骤S306.长短期记忆网络的训练:使用Adam优化算法,根据期望损失值更新长短期记忆网络中的参数,训练至各条件下时间安全防护子系统对攻击识别的准确率大于给定目标值时训练结束,确定长短期记忆网络模型参数。
进一步地,所述步骤S301中,搭建的长短期记忆网络包括长短期记忆层、层间Dropout及输出的全连接层,其中长短期记忆层包含长短期记忆神经元。
进一步地,所述步骤S302中,输入特征数据包含两时钟端测得的时间误差数据即TIC1和TIC2,以及两时钟端的温度和湿度即Temp1、Hum1、Temp2、Hum2,所述标签数据为对应的是否施加攻击的标记。
进一步地,所述步骤S304中,批数据为按照特征数、时间步长及批处理大小构造的3维数据矩阵。
进一步地,所述步骤S306的训练过程中,时间同步安全监测系统所处环境包括实地部署中能够遇到的各种环境,信道攻击子系统所施加的信道攻击包括各种攻击模式。
进一步地,所述步骤S4中,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习的方法包括:实地部署完成后,根据实地部署获取的训练数据集按照步骤S3对迁移过来的长短期记忆网络模型进一步训练。
进一步地,所述步骤S4中,传输链路安全状态的判定方法包括:攻击识别过程中每隔预设时间提供多个用于攻击判定的特征数据,在进行预测前进行特征数据归一化处理并添加至输入序列的最前端,同时后端丢掉一个数据,按照特征数及时间步长构造一个二维矩阵,用于预测时间同步误差。
一种时间同步安全监测系统,包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。
进一步地,还包括从时钟端的时间安全监测系统,所述从时钟端的时间安全监测系统包括:
数据处理模块,用于整个时间同步安全监测系统相关数据的存储、处理及长短期记忆网络训练的输入及标签数据的构造;
模型训练模块,用于时间同步安全监测系统部署前的长短期记忆网络的训练;
系统安全状态判定模块,运行训练成熟的长短期记忆网络,用于部署后的时间同步安全监测系统安全状态的判定;
时间误差修正模块,根据判定的系统安全状态确定从时钟更新策略,控制从时钟时间更新。
本发明的有益效果在于:
本发明一方面无需对系统的非对称性及噪声误差进行测量、统计、分析,能够在训练的过程中通过输入输出数据的表现特性,将系统相关特性以权重的形式在网络中体现,同时系统具备一定的泛化能力,当攻击幅度发生变化时,系统依然能够准确判定识别;另一方面将两端时钟系统的环境参数也作为网络的输入,能够避免因环境变化引起的光电系统波动而导致的系统安全状态错误识别。因此采用长短记忆网络的时间同步攻击识别方法准确度更高,使用范围更宽。
附图说明
附图1时间同步安全监测系统搭建流程图。
附图2实地部署前用于训练的时间同步安全监测系统示意图。
附图3实地部署的用于训练的时间同步安全监测系统示意图。
附图4实地部署的时间同步安全监测系统示意图。
附图5长短期记忆网络结构图。
附图6输入长短期记忆网络的批数据结构图。
附图7长短期记忆网络神经元结构图。
附图8从时钟端的时间安全监测系统功能结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现说明本发明的具体实施方式。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1(实验室环境训练后部署)
为便于阐述本发明的具体实施方式,以下结合附图进行详细说明。在实验环境下搭建时间同步安全监测系统,如图2所示。为防止部署过程引起系统关键特性相对实验室环境变化导致部署前训练成熟的长短期记忆网络迁移至部署后的系统攻击识别准确率降低。用于实验室环境下训练的系统尽可能与实际部署的用于攻击识别的系统状态一致。对部署前的系统进行训练,训练成熟的系统进行实地部署,部署完成后的系统直接根据输入数据对系统安全状态进行判定。系统搭建及处理方法如图1所示。
步骤S1:搭建用于部署前进行训练的时间同步安全监测系统,如图2所示。该时间同步安全监测系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中位于主时钟端的环境传感子系统可以将采集到的环境参数(温度、湿度等)以光信号的形式通过光纤链路传递至从时钟端。光纤链路采用波分复用方式进行信息传输,光纤链路中主时钟端传输至从时钟的时间信号及从时钟传输至主时钟的时间信号波长不同,为了减少色散引起的系统不对称性,波长差异尽可能小。此时光纤链路环境的变化导致的传输链路不对称性对系统影响较小,可忽略不计,因此光纤链路不部署环境传感系统。
步骤S2:采集获取用于时间安全防护子系统训练的基本数据。时间信息采集子系统利用第一时间间隔计数器在主时钟端采集主时钟与从时钟传输过来时间信号的时间差,记为TIC1;并利用第二时间间隔计数器在从时钟端采集从时钟与主时钟端传输过来时间信号的时间差,记为TIC2;环境传感子系统采集主时钟端环境参数:温度及湿度,记为Temp1、Hum1,并采集从时钟端环境参数:温度及湿度,记为Temp2、Hum2。
步骤S3:时间同步安全监测系统搭建好后实地部署前,在时间安全防护子系统上搭建长短期记忆网络(LSTM),在有攻击、无攻击及各种环境变化条件下将经过处理后的时间序列TIC1、TIC2及环境参数序列Temp1、Hum1、Temp2、Hum2作为输入序列,将处理后的攻击判定标识值作为标签数据对长短期记忆网络进行训练,训练过程中系统所处环境包括实地部署中可能遇到的各种环境,所施加的信道攻击包括各种可能的攻击模式。训练至各条件下系统对攻击识别准确率高于设定目标值训练结束。
进一步地,所述步骤S3,系统训练的具体细节为:
步骤S301:在时间安全防护系统中搭建长短期记忆网络,所搭建的网络结构本体如图5所示,该结构共包含4个长短期记忆网络层,其中第一层包含300个长短期记忆神经元;第二层、第三层和第四层的神经元数目分别为:300、150、100。在长短期记忆网络层间存在Dropout,Dropout在同一个t时刻,多层cell之间传递信息的时候按照给定的概率随机丢弃神经元,保证每次训练的网络都不一样,对每一个的Batch就相当于训练了一个网络,有效避免过拟合的正则化。
步骤S302:确定输入长短期记忆网络所包含的特征数据。所述的输入特征数据应包含TIC1和TIC2这两个特征数据。特征数据TIC1、TIC2中包含本地时钟相对参考时钟的钟差信息、传输链路自身的非对称信息、攻击引起的非对称信息及噪声等干扰信息。TIC1和TIC2作为长短期记忆网络训练的特征数据,通过训练能够确定TIC1和TIC2中对攻击判定的有效特征信息及无效特征信息,有效滤除系统自身噪声等对攻击判定的干扰信息;所述的输入特征数据应同时包含两时钟端的温度和湿度:Temp1、Hum1、Temp2、Hum2这四个特征数据。温度和湿度对时间同步系统的光电器件具有重要的影响,从而导致时间同步系统激光器波长不稳定及电光转换时延抖动,进而对时间同步传输链路的对称性产生影响。为了剔除环境因素对时间同步精度的影响,需要将参考端与本地端的温度和湿度作为长短期记忆网络的输入特征,在训练的过程中衡量温度和湿度对系统攻击识别的影响,在攻击识别过程中能够从TIC1和TIC2中滤除环境变动的干扰因素。
步骤S303:步骤S302所述的输入特征数据在输入长短期记忆网络前,为提升学习和收敛速度,应对数据进行归一化处理。
步骤S304:步骤S303所述的归一化后的数据在输入长短期记忆网络前,数据需按照网络结构特征构造批数据,整体结构如图6所示。输入数据包含TIC1、TIC2、Temp1、Hum1、Temp2、Hum2共6个特征。输入数据的时间步Step_size为100,为了提升训练的效率,批处理Batch_size大小设为256。因此输入长短期记忆网络的数据结构为6*100*256。
步骤S305:确定用于长短期记忆网络训练的标签数据。无攻击标签数据设定为0,有攻击标签数据设定为1。
步骤S306:长短期网络的训练。使用Adam优化算法,根据期望损失值更新长短期记忆网络中的参数。
为了更好地实现本方案,进一步地,步骤S301所述长短期记忆神经元包含遗忘门、输入门和输出门,结构如图7所示。其计算方法如下:
遗忘门:f(t)=σ(wf·[xt,h(t-1)]+bf)
输入门:i(t)=σ(wi·[xt,h(t-1)]+bi)
输出门:o(t)=σ(wo·[xt,h(t-1)]+bo)
短期记忆更新:h(t)=o(t)*tanh(C(t))
其中,遗忘门、输入门和输出门的控制函数σ()为sigmoid函数,取值区间[0,1],控制特征量对网络影响的比例;wf、wi、wo为对应门控网络权重;bf、bi、bo为对应门偏移量;xt为步骤S304所述网络的输入特征数据;h(t-1)为上一时间点短期记忆状态;C(t-1)为上一时间点长期记忆状态;C(t)为当前时间点长期记忆状态;h(t)为当前时间点短期记忆状态。
长短期记忆神经元在每一个序列循环过程中,既考虑短时记忆,又考虑长时记忆。通过遗忘门、输入门及输出门尽可能长时记住重要的信息,同时忘记不重要的信息。时间同步攻击识别的长短期记忆网络通过训练,能够从输入数据中保留从时钟相对主时钟的变化信息,从TIC1和TIC2中滤除系统自身的非平衡系数、环境变化所引起的非对称变化量、噪声干扰因素,实现时间同步攻击的准确识别。
步骤S4:时间同步安全监测系统进行实地部署,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境进行系统安全状态监测。用于时间同步攻击识别的安全监测系统结构如图4所示。TIC1、TIC2、Temp1、Hum1、Temp2、Hum2作为长短期记忆网络的输入,输出结果作为传输链路安全状态的判定。并根据判定结果选择本地时钟同步误差更新策略。
进一步地,所述步骤S4,用于攻击判定输入数据构造的具体细节为:
用于部署后时间同步攻击识别的输入数据的构造。攻击识别过程中硬件系统每隔1s提供6个用于时间同步攻击识别的特征数据,在进行预测前进行特征数据归一化处理并添加至输入序列的最前端,同时后端丢掉一个数据,如图6所示,保证用于时间同步攻击识别的输入数据为6*100的二维矩阵。
为实现上述目的,本实施例还提供了一种时间同步安全监测系统,如图4所示,包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中环境传感子系统包括主时钟端温湿度采集及从时钟端温湿度采集,主时钟端可以将采集到的环境参数(温度、湿度等)通过光纤链路传递至从时钟端。
特别地,该套时间同步安全监测系统包括从时钟端的时间安全监测系统,如图8所示,该系统包括数据处理模块:用于整个时间同步安全监测系统相关数据的存储、处理及长短期记忆网络训练的输入及标签数据的构造;模型训练模块:用于时间同步安全监测系统部署前的长短期记忆网络的训练;系统安全状态判定模块:运行训练成熟的长短期记忆网络,用于部署后的时间同步安全监测系统安全状态的判定;时间误差修正模块:根据判定的系统安全状态确定从时钟更新策略,控制从时钟时间更新。
实施例2(部署后现场真实环境下训练)
为便于阐述本发明的具体实施方式,以下结合附图进行详细说明。实地部署用于时间同步攻击识别训练的时间同步安全监测系统,如图3所示。部署完成后根据实地部署后采集到的数据对长短期记忆网络进行训练。训练成熟后的系统如图4所示,可根据现场采集到的数据对系统安全状态进行判定。系统搭建及处理方法如图1所示。
步骤S1:搭建用于部署后进行训练的时间同步安全监测系统,如图3所示。该时间同步安全监测系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中位于主时钟端的环境传感系统可以将采集到的环境参数(温度、湿度等)以光信号的形式通过光纤链路传递至从时钟端。光纤链路采用波分复用方式进行信息传输,光纤链路中主时钟端传输至从时钟的时间信号及从时钟传输至主时钟的时间信号波长不同,为了减少色散引起的系统不对称性,波长差异尽可能小。此时光纤链路环境的变化导致的传输链路不对称性对系统影响较小,可忽略不计,因此光纤链路不部署环境传感系统。
步骤S2:采集获取用于时间安全防护子系统训练的基本数据。时间信息采集子系统利用第一时间间隔计数器在主时钟端采集主时钟与从时钟传输过来时间信号的时间差,记为TIC1;并利用第二时间间隔计数器在从时钟端采集从时钟与主时钟端传输过来时间信号的时间差,记为TIC2;环境传感子系统采集主时钟端环境参数:温度及湿度,记为Temp1、Hum1,并采集从时钟端环境参数:温度及湿度,记为Temp2、Hum2。
步骤S3:时间同步安全监测训练系统实地部署好后,在时间安全防护子系统上搭建长短期记忆网络(LSTM),在有攻击、无攻击及各种环境变化条件下将经过处理后的时间序列TIC1、TIC2及环境参数序列Temp1、Hum1、Temp2、Hum2作为输入序列,将处理后的攻击判定标识值作为标签数据对长短期记忆网络进行训练,训练过程中系统所处环境包括实地部署中可能遇到的各种环境,所施加的信道攻击包括各种可能的攻击模式。训练至各条件下系统对攻击识别准确率高于设定目标值训练结束。
进一步地,所述步骤S3,系统训练的具体细节为:
步骤S301:在时间安全防护系统中搭建长短期记忆网络,所搭建的网络结构本体如图5所示,该结构共包含4个长短期记忆网络层,其中第一层包含300个长短期记忆神经元;第二层、第三层和第四层的神经元数目分别为:300、150、100。在长短期记忆网络层间存在Dropout,Dropout在同一个t时刻,多层cell之间传递信息的时候按照给定的概率随机丢弃神经元,保证每次训练的网络都不一样,对每一个的Batch就相当于训练了一个网络,有效避免过拟合的正则化。
步骤S302:确定输入长短期记忆网络所包含的特征数据。所述的输入特征数据应包含TIC1和TIC2这两个特征数据。特征数据TIC1、TIC2中包含本地时钟相对参考时钟的钟差信息、传输链路自身的非对称信息、攻击引起的非对称信息及噪声等干扰信息。TIC1和TIC2作为长短期记忆网络训练的特征数据,通过训练能够确定TIC1和TIC2中对攻击判定的有效特征信息及无效特征信息,有效滤除系统自身噪声等对攻击判定的干扰信息;所述的输入特征数据应同时包含两时钟端的温度和湿度:Temp1、Hum1、Temp2、Hum2这四个特征数据。温度和湿度对时间同步系统的光电器件具有重要的影响,从而导致时间同步系统激光器波长不稳定及电光转换时延抖动,进而对时间同步传输链路的对称性产生影响。为了剔除环境因素对时间同步精度的影响,需要将参考端与本地端的温度和湿度作为长短期记忆网络的输入特征,在训练的过程中衡量温度和湿度对系统攻击识别的影响,在攻击识别过程中能够从TIC1和TIC2中滤除环境变动的干扰因素。
步骤S303:步骤S302所述的输入特征数据在输入长短期记忆网络前,为提升学习和收敛速度,应对数据进行归一化处理。
步骤S304:步骤S303所述的归一化后的数据在输入长短期记忆网络前,数据需按照网络结构特征构造批数据,整体结构如图6所示。输入数据包含TIC1、TIC2、Temp1、Hum1、Temp2、Hum2共6个特征。输入数据的时间步Step_size为100,为了提升训练的效率,批处理Batch_size大小设为256。因此输入长短期记忆网络的数据结构为6*100*256。
步骤S305:确定用于长短期记忆网络训练的标签数据。无攻击标签数据设定为0,有攻击标签数据设定为1。
步骤S306:长短期网络的训练。使用Adam优化算法,根据期望损失值更新长短期记忆网络中的参数。
为了更好地实现本方案,进一步地,步骤S301所述长短期记忆神经元包含遗忘门、输入门和输出门,结构如图7所示。其计算方法如下:
遗忘门:f(t)=σ(wf·[xt,h(t-1)]+bf)
输入门:i(t)=σ(wi·[xt,h(t-1)]+bi)
输出门:o(t)=σ(wo·[xt,h(t-1)]+bo)
短期记忆更新:h(t)=o(t)*tanh(C(t))
其中,遗忘门、输入门和输出门的控制函数σ()为sigmoid函数,取值区间[0,1],控制特征量对网络影响的比例;wf、wi、wo为对应门控网络权重;bf、bi、bo为对应门偏移量;xt为步骤S304所述网络的输入特征数据;h(t-1)为上一时间点短期记忆状态;C(t-1)为上一时间点长期记忆状态;C(t)为当前时间点长期记忆状态;h(t)为当前时间点短期记忆状态。
长短期记忆神经元在每一个序列循环过程中,既考虑短时记忆,又考虑长时记忆。通过遗忘门、输入门及输出门尽可能长时记住重要的信息,同时忘记不重要的信息。时间同步攻击识别的长短期记忆网络通过训练,能够从输入数据中保留从时钟相对主时钟的变化信息,从TIC1和TIC2中滤除系统自身的非平衡系数、环境变化所引起的非对称变化量、噪声干扰因素,实现时间同步攻击的准确识别。
步骤S4:时间同步安全监测系统部署后训练成熟的长短期记忆网络模型可直接用于时间同步攻击识别。用于时间同步攻击识别的安全监测系统结构如图4所示。TIC1、TIC2、Temp1、Hum1、Temp2、Hum2作为长短期记忆网络的输入,输出结果作为传输链路安全状态的判定。并根据判定结果选择本地时钟同步误差更新策略。
进一步地,所述步骤S4,用于攻击判定输入数据构造的具体细节为:
用于部署后时间同步攻击识别的输入数据的构造。攻击识别过程中硬件系统每隔1s提供6个用于时间同步攻击识别的特征数据,在进行预测前进行特征数据归一化处理并添加至输入序列的最前端,同时后端丢掉一个数据,如图6所示,保证用于时间同步攻击识别的输入数据为6*100的二维矩阵。
为实现上述目的,本实施例还提供了一种时间同步安全监测系统,如图4所示,包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中环境传感子系统包括主时钟端温湿度采集及从时钟端温湿度采集。主时钟端可以将采集到的环境参数(温度、湿度等)通过光纤链路传递至从时钟端。
特别地,该套时间同步安全监测系统包括从时钟端的时间安全监测系统,如图8所示,该系统包括数据处理模块:用于整个时间同步安全监测系统相关数据的存储、处理及长短期记忆网络训练的输入及标签数据的构造;模型训练模块:用于时间同步安全监测系统部署后的长短期记忆网络的训练;系统安全状态判定模块:运行训练成熟的长短期记忆网络,用于部署后的时间同步安全监测系统安全状态的判定;时间误差修正模块:根据判定的系统安全状态确定从时钟更新策略,控制从时钟时间更新。
实施例3(先进行实验时环境训练,后进行部署后的现场强化训练)
为便于阐述本发明的具体实施方式,以下结合附图进行详细说明。首先在实验室环境下搭建用于长短期记忆网络训练的时间同步安全监测系统,如图2所示,在实验室环境下获取数据对长短期记忆网络进行训练;训练成熟后实地部署时间同步安全监测系统,如图3所示,根据现场采集的数据对实验室迁移过来的长短期记忆网络进行强化训练,直至网络训练成熟;之后现场训练成熟的时间同步安全监测系统,如图4所示,可用于时间同步攻击识别的监测。系统搭建及处理方法如图1所示。
步骤S1:搭建用于部署前进行训练的时间同步安全监测系统,如图2所示。该时间同步安全监测系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中位于主时钟端的环境传感子系统可以将采集到的环境参数(温度、湿度等)以光信号的形式通过光纤链路传递至从时钟端。光纤链路采用波分复用方式进行信息传输,光纤链路中主时钟端传输至从时钟的时间信号及从时钟传输至主时钟的时间信号波长不同,为了减少色散引起的系统不对称性,波长差异尽可能小。此时光纤链路环境的变化导致的传输链路不对称性对系统影响较小,可忽略不计,因此光纤链路不部署环境传感系统。
步骤S2:采集获取用于时间安全防护子系统训练的基本数据。时间信息采集子系统利用第一时间间隔计数器在主时钟端采集主时钟与从时钟传输过来时间信号的时间差,记为TIC1;并利用第二时间间隔计数器在从时钟端采集从时钟与主时钟端传输过来时间信号的时间差,记为TIC2;环境传感子系统采集主时钟端环境参数:温度及湿度,记为Temp1、Hum1,并采集从时钟端环境参数:温度及湿度,记为Temp2、Hum2。
步骤S3:时间同步安全监测系统搭建好后实地部署前,在时间安全防护子系统上搭建长短期记忆网络(LSTM),在有攻击、无攻击及各种环境变化条件下将经过处理后的时间序列TIC1、TIC2及环境参数序列Temp1、Hum1、Temp2、Hum2作为输入序列,将处理后的攻击判定标识值作为标签数据对长短期记忆网络进行训练,训练过程中系统所处环境包括实地部署中可能遇到的各种环境,所施加的信道攻击包括各种可能的攻击模式。训练至各条件下系统对攻击识别准确率高于设定目标值训练结束。
进一步地,所述步骤S3,系统训练的具体细节为:
步骤S301:在时间安全防护系统中搭建长短期记忆网络,所搭建的网络结构本体如图5所示,该结构共包含4个长短期记忆网络层,其中第一层包含300个长短期记忆神经元;第二层、第三层和第四层的神经元数目分别为:300、150、100。在长短期记忆网络层间存在Dropout,Dropout在同一个t时刻,多层cell之间传递信息的时候按照给定的概率随机丢弃神经元,保证每次训练的网络都不一样,对每一个的Batch就相当于训练了一个网络,有效避免过拟合的正则化。
步骤S302:确定输入长短期记忆网络所包含的特征数据。所述的输入特征数据应包含TIC1和TIC2这两个特征数据。特征数据TIC1、TIC2中包含本地时钟相对参考时钟的钟差信息、传输链路自身的非对称信息、攻击引起的非对称信息及噪声等干扰信息。TIC1和TIC2作为长短期记忆网络训练的特征数据,通过训练能够确定TIC1和TIC2中对攻击判定的有效特征信息及无效特征信息,有效滤除系统自身噪声等对攻击判定的干扰信息;所述的输入特征数据应同时包含两时钟端的温度和湿度:Temp1、Hum1、Temp2、Hum2这四个特征数据。温度和湿度对时间同步系统的光电器件具有重要的影响,从而导致时间同步系统激光器波长不稳定及电光转换时延抖动,进而对时间同步传输链路的对称性产生影响。为了剔除环境因素对时间同步精度的影响,需要将参考端与本地端的温度和湿度作为长短期记忆网络的输入特征,在训练的过程中衡量温度和湿度对系统攻击识别的影响,在攻击识别过程中能够从TIC1和TIC2中滤除环境变动的干扰因素。
步骤S303:步骤S302所述的输入特征数据在输入长短期记忆网络前,为提升学习和收敛速度,应对数据进行归一化处理。
步骤S304:步骤S303所述的归一化后的数据在输入长短期记忆网络前,数据需按照网络结构特征构造批数据,整体结构如图6所示。输入数据包含TIC1、TIC2、Temp1、Hum1、Temp2、Hum2共6个特征。输入数据的时间步Step_size为100,为了提升训练的效率,批处理Batch_size大小设为256。因此输入长短期记忆网络的数据结构为6*100*256。
步骤S305:确定用于长短期记忆网络训练的标签数据。无攻击标签数据设定为0,有攻击标签数据设定为1。
步骤S306:长短期网络的训练。使用Adam优化算法,根据期望损失值更新长短期记忆网络中的参数。
为了更好地实现本方案,进一步地,步骤S301所述长短期记忆神经元包含遗忘门、输入门和输出门,结构如图7所示。其计算方法如下:
遗忘门:f(t)=σ(wf·[xt,h(t-1)]+bf)
输入门:i(t)=σ(wi·[xt,h(t-1)]+bi)
输出门:o(t)=σ(wo·[xt,h(t-1)]+bo)
短期记忆更新:h(t)=o(t)*tanh(C(t))
其中,遗忘门、输入门和输出门的控制函数σ()为sigmoid函数,取值区间[0,1],控制特征量对网络影响的比例;wf、wi、wo为对应门控网络权重;bf、bi、b0为对应门偏移量;xt为步骤S304所述网络的输入特征数据;h(t-1)为上一时间点短期记忆状态;C(t-1)为上一时间点长期记忆状态;C(t)为当前时间点长期记忆状态;h(t)为当前时间点短期记忆状态。
长短期记忆神经元在每一个序列循环过程中,既考虑短时记忆,又考虑长时记忆。通过遗忘门、输入门及输出门尽可能长时记住重要的信息,同时忘记不重要的信息。时间同步攻击识别的长短期记忆网络通过训练,能够从输入数据中保留从时钟相对主时钟的变化信息,从TIC1和TIC2中滤除系统自身的非平衡系数、环境变化所引起的非对称变化量、噪声干扰因素,实现时间同步攻击的准确识别。
步骤S4:时间同步安全监测系统进行实地部署,部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习,用于强化学习的时间同步安全监测系统结构如图3所示。强化学习后用于时间同步攻击识别的安全监测系统结构如图4所示。TIC1、TIC2、Temp1、Hum1、Temp2、Hum2作为长短期记忆网络的输入,输出结果作为传输链路安全状态的判定。并根据判定结果选择本地时钟同步误差更新策略。
进一步地,所述步骤S4,系统强化学习及用于攻击判定输入数据构造的具体细节为:
步骤S401:长短期记忆网络强化学习。实地部署完成后,需要根据实地部署获取的训练数据按照步骤S3对迁移过来的长短期记忆网络进一步训练。解决部署前后系统关键参数变化导致的攻击识别准确性降低的问题,提升长短期记忆网络实际环境下的适应能力。
步骤S402:用于部署后时间同步攻击识别的输入数据的构造。攻击识别过程中硬件系统每隔1s提供6个用于时间同步攻击识别的特征数据,输入特征数据在进行预测前进行归一化处理并将输入数据添加至输入序列的最前端,同时后端丢掉一个数据,如图6所示,保证用于时间同步攻击识别的输入数据为6*100的二维矩阵。
为实现上述目的,本实施例还提供了一种时间同步安全监测系统,如图4所示,包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。其中环境传感子系统包括主时钟端温湿度采集及从时钟端温湿度采集。主时钟端可以将采集到的环境参数(温度、湿度等)通过光纤链路传递至从时钟端。
特别地,该套时间同步安全监测系统包括从时钟端的时间同步安全监测系统,如图8所示,该系统包括数据处理模块:用于整个时间同步安全监测系统相关数据的存储、处理及长短期记忆网络训练的输入及标签数据的构造;模型训练模块:用于时间同步安全监测系统部署前的长短期记忆网络的训练;系统安全状态判定模块:运行训练成熟的长短期记忆网络,用于部署后的时间同步安全监测系统安全状态的判定;时间误差修正模块:根据判定的系统安全状态确定从时钟更新策略,控制从时钟时间更新。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,包括:
步骤S1. 搭建时间同步安全监测系统,该时间同步安全监测系统包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数;
步骤S2. 采集获取用于时间安全防护子系统进行训练的基本数据:时间信息采集子系统利用第一时间间隔计数器在主时钟端采集主时钟与从时钟传输过来时间信号的时间差,记为TIC1;并利用第二时间间隔计数器在从时钟端采集从时钟与主时钟端传输过来时间信号的时间差,记为TIC2;环境传感子系统采集主时钟端的温度及湿度并记为Temp1、Hum1,采集从时钟端的温度及湿度并记为Temp2、Hum2;
步骤S3. 在时间安全防护子系统上搭建长短期记忆网络,构造用于长短期记忆网络训练的样本数据集,基于构造的训练数据集对长短期记忆网络进行训练,形成成熟的用于时间同步攻击识别的长短期记忆网络模型;
步骤S4. 时间同步安全监测系统进行实地部署,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习;强化学习后将TIC1、TIC2、Temp1、Hum1、Temp2、Hum2作为长短期记忆网络模型的输入,输出结果作为传输链路安全状态的判定,并根据判定结果选择本地时钟同步误差更新策略;
所述步骤S3包括:
步骤S301. 在时间安全防护子系统上搭建长短期记忆网络;
步骤S302. 确定输入长短期记忆网络应包含的特征数据及标签数据;
步骤S303. 所述特征数据在输入长短期记忆网络前,进行归一化处理;
步骤S304. 归一化后的特征数据在输入长短期记忆网络前,根据网络结构特征构造批数据;
步骤S305. 确定用于长短期记忆网络训练的标签数据:无攻击标签数据设定为0,有攻击标签数据设定为1;
步骤S306. 长短期记忆网络的训练:使用Adam优化算法,根据期望损失值更新长短期记忆网络中的参数,训练至各条件下时间安全防护子系统对攻击识别的准确率大于给定目标值时训练结束,确定长短期记忆网络模型参数;
所述步骤S4中,将部署前训练成熟的长短期记忆网络模型迁移至实地部署环境下进行强化学习的方法包括:实地部署完成后,根据实地部署获取的训练数据集按照步骤S3对迁移过来的长短期记忆网络模型进一步训练。
2.根据权利要求1所述的一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,所述步骤S301中,搭建的长短期记忆网络包括长短期记忆层、层间Dropout及输出的全连接层,其中长短期记忆层包含长短期记忆神经元。
3.根据权利要求1所述的一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,所述步骤S302中,输入特征数据包含两时钟端测得的时间误差数据即TIC1和TIC2,以及两时钟端的温度和湿度即Temp1、Hum1、Temp2、Hum2,所述标签数据为对应的是否施加攻击的标记。
4.根据权利要求1所述的一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,所述步骤S304中,批数据为按照特征数、时间步长及批处理大小构造的3维数据矩阵。
5.根据权利要求1所述的一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,所述步骤S306的训练过程中,时间同步安全监测系统所处环境包括实地部署中能够遇到的各种环境,信道攻击子系统所施加的信道攻击包括各种攻击模式。
6.根据权利要求1-5任一项所述的一种基于长短期记忆网络的时间同步安全监测方法,其特征在于,所述步骤S4中,传输链路安全状态的判定方法包括:攻击识别过程中每隔预设时间提供多个用于攻击判定的特征数据,在进行预测前进行特征数据归一化处理并添加至输入序列的最前端,同时后端丢掉一个数据,按照特征数及时间步长构造一个二维矩阵,用于预测时间同步误差。
7.一种时间同步安全监测系统,基于权利要求1所述的时间同步安全监测方法,其特征在于,包括主时钟、从时钟、时间信息传输子系统、信道攻击子系统、时间信息采集子系统、时间安全防护子系统及环境传感子系统,其中时间信息传输子系统用于为主时钟和从时钟传输时间信号,信道攻击子系统用于在主时钟和从时钟之间施加信道攻击,时间信息采集子系统用于实时采集主时钟和从时钟的时间信号信息,时间安全防护子系统用于进行长短期记忆网络训练,环境传感子系统用于采集主时钟端和从时钟端的环境参数。
8.根据权利要求7所述的时间同步安全监测系统,其特征在于,还包括从时钟端的时间安全监测系统,所述从时钟端的时间安全监测系统包括:
数据处理模块,用于整个时间同步安全监测系统相关数据的存储、处理及长短期记忆网络训练的输入及标签数据的构造;
模型训练模块,用于时间同步安全监测系统部署前的长短期记忆网络的训练;
系统安全状态判定模块,运行训练成熟的长短期记忆网络,用于部署后的时间同步安全监测系统安全状态的判定;
时间误差修正模块,根据判定的系统安全状态确定从时钟更新策略,控制从时钟时间更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533700.3A CN114389736B (zh) | 2021-12-15 | 2021-12-15 | 一种基于长短期记忆网络的时间同步安全监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533700.3A CN114389736B (zh) | 2021-12-15 | 2021-12-15 | 一种基于长短期记忆网络的时间同步安全监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114389736A CN114389736A (zh) | 2022-04-22 |
CN114389736B true CN114389736B (zh) | 2023-05-09 |
Family
ID=81197599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111533700.3A Active CN114389736B (zh) | 2021-12-15 | 2021-12-15 | 一种基于长短期记忆网络的时间同步安全监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114389736B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637137A (zh) * | 2020-12-08 | 2021-04-09 | 中国电子科技集团公司第三十研究所 | 基于钟差动力学模型的光纤时间同步监控方法与系统 |
CN112653684A (zh) * | 2020-12-17 | 2021-04-13 | 电子科技大学长三角研究院(衢州) | 一种基于多路特征感知长短期记忆的异常流量检测方法 |
WO2021122778A1 (de) * | 2019-12-18 | 2021-06-24 | Continental Automotive Gmbh | Verfahren zur absicherung der zeitsynchronisation eines ethernet-bordnetzes |
CN113722718A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨工业大学(威海) | 一种基于策略库的云边协同工控网络安全防护方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11563768B2 (en) * | 2019-01-31 | 2023-01-24 | Keysight Technologies, Inc. | Methods, systems, and computer readable media for detecting and mitigating effects of timing attacks in time sensitive networks |
-
2021
- 2021-12-15 CN CN202111533700.3A patent/CN114389736B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021122778A1 (de) * | 2019-12-18 | 2021-06-24 | Continental Automotive Gmbh | Verfahren zur absicherung der zeitsynchronisation eines ethernet-bordnetzes |
CN112637137A (zh) * | 2020-12-08 | 2021-04-09 | 中国电子科技集团公司第三十研究所 | 基于钟差动力学模型的光纤时间同步监控方法与系统 |
CN112653684A (zh) * | 2020-12-17 | 2021-04-13 | 电子科技大学长三角研究院(衢州) | 一种基于多路特征感知长短期记忆的异常流量检测方法 |
CN113722718A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨工业大学(威海) | 一种基于策略库的云边协同工控网络安全防护方法 |
Non-Patent Citations (4)
Title |
---|
Ezzeldin Shereen ; György Dán.Model-Based and Data-Driven Detectors for Time Synchronization Attacks Against PMUs.IEEE Journal on Selected Areas in Communications.2019,第38卷(第1期),全文. * |
Ziyang Guo ; Yuqing Ni ; Wing Shing Wong ; Ling Shi.Time Synchronization Attack and Countermeasure for Multisystem Scheduling in Remote Estimation.IEEE Transactions on Automatic Control.2020,第66卷(第2期),全文. * |
方勇 ; 龙啸 ; 黄诚 ; 刘亮 ; .基于LSTM与随机森林混合构架的钓鱼网站识别研究.工程科学与技术.2018,(第05期),全文. * |
林果园 ; 黄皓 ; .通过时间同步提高分布式入侵检测系统的检测率.计算机应用与软件.2007,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114389736A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688871B (zh) | 一种水质预测方法和装置 | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN111242021B (zh) | 一种分布式光纤振动信号特征提取与识别方法 | |
CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
Senan et al. | Decentralized event-triggered synchronization of uncertain Markovian jumping neutral-type neural networks with mixed delays | |
CN114548368B (zh) | 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法 | |
CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN109977627A (zh) | 一种网络化多传感器融合故障检测方法 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN114389736B (zh) | 一种基于长短期记忆网络的时间同步安全监测方法及系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
Nguyen et al. | A kernel-based method for modeling non-harmonic periodic phenomena in Bayesian dynamic linear models | |
CN104318072B (zh) | 基于qkf‑mmf的多传感器量化融合方法 | |
CN116700206A (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
CN114598611B (zh) | 面向二集值fir系统事件驱动辨识的输入设计方法及系统 | |
CN113328881B (zh) | 一种面向非合作无线网络的拓扑感知方法及装置、系统 | |
CN115077594A (zh) | 基于lstm和近邻信任机制的蜂群无人机故障检测方法 | |
CN116259172A (zh) | 考虑交通网络时空特征的城市道路速度预测方法 | |
CN115201685A (zh) | 基于自编码器和对抗学习的可迁移电池热失控风险评估系统 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |