CN115361308B - 一种工控网络数据风险确定方法、装置、设备及存储介质 - Google Patents
一种工控网络数据风险确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115361308B CN115361308B CN202210998510.7A CN202210998510A CN115361308B CN 115361308 B CN115361308 B CN 115361308B CN 202210998510 A CN202210998510 A CN 202210998510A CN 115361308 B CN115361308 B CN 115361308B
- Authority
- CN
- China
- Prior art keywords
- network data
- industrial control
- control network
- message type
- sample set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- 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
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种工控网络数据风险确定方法、装置、设备及存储介质。包括:获取样本集,其中,样本集包括工控网络数据和报文类型的对应关系;获取待测工控网络数据,从样本集中获取与待测工控网络数据匹配的目标工控网络数据;根据目标工控网络数据确定待测工控网络数据的报文类型,并根据报文类型确定待测工控网络数据的风险状况,其中,报文类型包括请求报文、响应报文和风险报文。通过从样本集中获取与待测工控网络数据匹配的目标工控网络数据,针对性强并且准确性高,再根据目标工控网络数据确定待测工控网络数据的报文类型,处理过程简单的同时提高了数据检测效率,通过报文类型确定风险情况,实现了工控网络数据风险确定。
Description
技术领域
本发明涉及网络安全技术领域,尤其涉及一种工控网络数据风险确定方法、装置、设备及存储介质。
背景技术
网络安全是指网络系统的硬件、软件及其系统中的数据受到保护,不因偶然的或者恶意的原因而遭受到破坏、更改、泄露,系统能够连续可靠正常地运行,网络服务不中断,而网络的核心是网络数据,即通过网络数据可以确定网络是否存在风险。
现有技术中一般是通过对历史网络数据进行特征提取,再根据特征分类并建立模型,以确定网络安全的等级。
现有技术通过特征分类再建立模型的方式处理方法繁琐进而导致效率低、并且当特征不足时会产生准确率差的问题。
发明内容
本发明提供了一种工控网络数据风险确定方法、装置、设备及存储介质,以确定工控网络安全的风险情况。
根据本发明的一方面,提供了一种工控网络数据风险确定方法,该方法包括:
获取样本集,其中,样本集包括工控网络数据和报文类型的对应关系;
获取待测工控网络数据,从样本集中获取与待测工控网络数据匹配的目标工控网络数据;
根据目标工控网络数据确定待测工控网络数据的报文类型,并根据报文类型确定待测工控网络数据的风险状况,其中,报文类型包括请求报文、响应报文和风险报文。
优选的,获取样本集,包括:采集指定时间范围的各生产线的初始工控网络数据;按照指定字段对初始工控网络数据进行数据提取获取最终工控网络数据;根据最终工控网络数据构建初始数据库,其中,初始数据库中包含最终工控网络数据;根据初始数据库构建样本集。
优选的,根据初始数据库构建样本集,包括:获取用户输入的各最终工控网络数据对应的报文类型;根据报文类型和最终工控网络数据构建样本集。
优选的,从样本集中获取与待测工控网络数据匹配的目标工控网络数据,包括:根据指定范围对样本集进行划分,得到第一样本集和第二样本集;根据第二样本集确定目标样本数量;根据指定字段计算待测工控网络数据与第一样本集中各最终工控网络数据的欧式距离;按照欧式距离由小到大的顺序对最终工控网络数据进行排序获得数据序列;按照目标样本数量依次从数据序列中进行筛选得到目标工控网络数据。
优选的,根据目标工控网络数据确定待测工控网络数据的报文类型,包括:获取各目标工控网络数据对应的报文类型;计算各报文类型的数量值,将数量值最大的报文类型作为待测工控网络数据的报文类型。
优选的,根据第二样本集确定目标样本数量,包括:根据指定字段计算第二样本集与第一样本集中各最终工控网络数据的欧式距离;获取用户输入的初始样本数量,根据初始样本数量和欧式距离对第一样本集筛选得到测试工控网络数据;计算测试工控网络数据对应的报文类型的数量值,将数量值最大的报文类型作为计算报文类型;获取第二样本集中各最终工控网络数据对应的报文类型作为实际报文类型;根据实际报文类型和计算报文类型生成错误率;根据错误率对初始样本数量进行调整得到目标样本数量。
优选的,根据报文类型确定待测工控网络数据的风险状况,包括:当报文类型为请求报文或响应报文时,确定待测工控网络数据不存在风险;当报文类型为风险报文时,确定待测工控网络数据存在风险。
根据本发明的另一方面,提供了一种工控网络数据风险确定方法装置,该装置包括:
样本集获取模块,用于获取样本集,其中,样本集包括工控网络数据和报文类型的对应关系;
目标工控网络数据获取模块,用于获取待测工控网络数据,从样本集中获取与待测工控网络数据匹配的目标工控网络数据;
风险状况确定模块,用于根据目标工控网络数据确定待测工控网络数据的报文类型,并根据报文类型确定待测工控网络数据的风险状况,其中,报文类型包括请求报文、响应报文和风险报文。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的一种工控网络数据风险确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种工控网络数据风险确定方法。
本发明实施例的技术方案,通过从样本集中获取与待测工控网络数据匹配的目标工控网络数据,针对性强并且准确性高,再根据目标工控网络数据确定待测工控网络数据的报文类型,处理过程简单的同时提高了数据检测效率,通过报文类型确定风险情况,实现了工控网络数据风险确定。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种工控网络数据风险确定方法的流程图;
图2是根据本发明实施例一提供的另一种工控网络数据风险确定方法的流程图;
图3是根据本发明实施例二提供的另一种工控网络数据风险确定方法的流程图;
图4是根据本发明实施例三提供的一种工控网络数据风险确定装置的结构示意图;
图5是实现本发明实施例的一种工控网络数据风险确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种工控网络数据风险确定方法的流程图,本实施例可适用于确定工控网络安全的情况,该方法可以由工控网络数据风险确定装置来执行,该工控网络数据风险确定装置可以采用硬件和/或软件的形式实现,该工控网络数据风险确定装置可配置于计算机中。如图1所示,该方法包括:
S110、获取样本集。
其中,样本集是指工控网络数据样本集,样本集包括工控网络数据和报文类型的对应关系;工控网络数据是指在汽车零部件生成现场的工业总线上所产生的网络流量数据。
优选的,获取样本集,包括:采集指定时间范围的各生产线的初始工控网络数据;按照指定字段对初始工控网络数据进行数据提取获取最终工控网络数据;根据最终工控网络数据构建初始数据库,其中,初始数据库中包含最终工控网络数据;根据初始数据库构建样本集。
具体的,控制器根据用户设置的指定时间范围采集各生产线的初始工控网络数据,用户是指进行工控网络数据分析的工作人员或者技术人员,指定时间范围是用户根据需要在控制器内部进行设置的,指定时间范围中包括指定天数和指定时间段;生产线是指汽车零部件生成现场的工业生产线,例如,用户设置指定时间范围中的指定天数为90天,指定时间段为2h,控制器会按照各生产线采用的协议类型,运行周期连续采集90天,每天采集2小时,示例性的,采集内容可以包括源IP地址、目的IP地址、报文长度和时间间隔,控制器会将采集内容作为初始工控网络数据存入数据流量表中。
进一步的,控制器还会按照指定字段对初始工控网络数据进行数据提取,指定字段是用户根据计算需要进行设置的,例如,指定字段可以是协议类型、周期、报文长度和间隔时间,本实施方式中仅以指定字段为协议类型、周期、报文长度和间隔时间进行具体说明,并不对指定字段的具体内容进行限定。协议类型可以是Modbus、西门子S7和profinet,周期可以是轮询、诊断和刷新,控制器会按照指定字段对数据流量表中的数据进行提取生成最终工控网络数据,并将提取后的最终工控网络数据构建出初始数据库,然后再根据初始数据库构建样本集。
优选的,根据初始数据库构建样本集,包括:获取用户输入的各最终工控网络数据对应的报文类型;根据报文类型和最终工控网络数据构建样本集。
具体的,控制器在建立初始数据库后,会获取用户输入的各最终工控网络数据对应的报文类型,报文类型是指工控网络数据的数据类型,报文类型包括响应报文、请求报文和风险报文;控制器会根据报文类型和最终工控网络数据的对应关系构建出样本集。
S120、获取待测工控网络数据,从样本集中获取与待测工控网络数据匹配的目标工控网络数据。
具体的,待测工控网络数据是用户输入的未知报文类型的数据,当用户输入待测工控网络数据后,控制器会从样本集中获取与待测工控网络数据匹配的目标网络数据,以进一步确定待测工控网络数据的风险情况。
图2为本发明实施例一提供了一种工控网络数据风险确定方法的流程图,步骤S120主要包括如下的步骤S121至步骤S125:
S121、根据指定范围对样本集进行划分,得到第一样本集和第二样本集。
具体的,控制器会根据指定范围对样本集进行划分,划分为第一样本集和第二样本集;第一样本集为训练样本集,用于判断待测工控网络数据的类型,第二样本集为测试样本集,为了测试第一样本集的错误率,指定范围可以根据用户的计算需求进行调整,例如用户设置样本集中第一样本集80%,第二样本集20%,控制器会根据该指定范围对样本集随机进行划分,将样本集中80%的最终工控网络数据作为第一样本集,将另外20%的最终工控网络数据作为第二样本集。
S122、根据第二样本集确定目标样本数量。
具体的,控制器会先通过第二样本集即测试样本集对训练样本集进行测试,测试完成后,根据测试结果确定目标样本数量,以保证后续确定待测工控网络数据报文类型的准确性。
S123、根据指定字段计算待测工控网络数据与第一样本集中各最终工控网络数据的欧式距离。
具体的,当指定字段为协议类型、周期、报文长度和间隔时间时,控制器会根据这四个指定字段计算待测工控网络数据与第一样本集中各最终工控网络数据的欧式距离,并采用如下公式(1)计算欧式距离:
其中,dist(x,y)表示待测工控网络数据与最终工控网络数据的欧式距离,x表示表示待测工控网络数据,y表示第一样本集中各最终工控网络数据,a1表示待测工控网络数据的协议类型,a2表示最终工控网络数据的协议类型,b1表示待测工控网络数据的周期,b2表示最终工控网络数据的周期、c1表示待测工控网络数据的报文长度,c2表示最终工控网络数据的报文长度,d1表示待测工控网络数据的间隔时间,d2表示最终工控网络数据的间隔时间。
进一步的,由于协议类型包括Modbus、西门子S7和profinet,周期类型包括轮询、诊断和刷新,故在代入公式时可以分别用数字表示以方便进行计算,示例性的,可以将Modbus、西门子S7和profinet分别用数字1、2和3表示,轮询、诊断和刷新分别用数字100、101和102表示。
S124、按照欧式距离由小到大的顺序对最终工控网络数据进行排序获得数据序列。
具体的,控制器根据指定字段计算待测工控网络数据与第一样本集中各最终工控网络数据的欧式距离后,会将欧式距离按照由小到大的顺序对最终工控网络数据进行排序以获得数据序列,欧式距离表示待测工控网络数据和最终工控网络数据的相似程度,欧式距离数值越小,表示数据间的相似程度越高。
S125、按照目标样本数量依次从数据序列中进行筛选得到目标工控网络数据。
具体的,控制器会根据目标样本数量,目标样本数量是控制器根据第二样本集对第一样本集测试后获得的,控制器可以按照目标样本数量从数据序列中提取目标工控网络数据,例如,当目标样本数量为5时,控制器会选取数据序列中前5条数据即欧式距离最小的5条数据作为目标工控网络数据。
S130、根据目标工控网络数据确定待测工控网络数据的报文类型,并根据报文类型确定待测工控网络数据的风险状况。
优选的,根据目标工控网络数据确定待测工控网络数据的报文类型,包括:获取各目标工控网络数据对应的报文类型;计算各报文类型的数量值,将数量值最大的报文类型作为待测工控网络数据的报文类型。
具体的,由于目标工控网络数据是和待测工控网络数据相似的数据,所以控制器在获取到目标工控网络数据后,可以根据目标工控网络数据的报文类型来确定待测工控网络数据的报文类型,控制器会计算各目标工控网络数据对应的报文类型的数量值,然后将数量值最大的报文类型作为待测工控网络数据的报文类型,报文类型包括响应报文、请求报文和风险报文。
示例性的,目标样本数量为5即目标工控网络数据有5条时,控制器获取待测工控网络数据A的5条目标工控网络数据的报文类型分别为响应报文、响应报文、请求报文、响应报文和风险报文,可知响应报文数量值为3,请求报文数量值为1,风险报文数量值为1,故控制器会将结果中数量值最大的响应报文作为待测工控网络数据A的报文类型。而待测工控网络数据B的5条目标工控网络数据的报文类型分别为风险报文、请求报文、风险报文、风险报文和响应报文,可知响应报文数量值为1,请求报文数量值为1,风险报文数量值为3,故控制器会将此结果中数量值最大的风险报文作为待测工控网络数据B的报文类型。
优选的,根据报文类型确定待测工控网络数据的风险状况,包括:当报文类型为请求报文或响应报文时,确定待测工控网络数据不存在风险;当报文类型为风险报文时,确定待测工控网络数据存在风险。
具体的,控制器在确定出待测工控网络数据的报文类型后,可通过报文类型来确定待测工控网络数据的风险状况,当待测工控网络数据的报文类型为请求报文或响应报文时,表示该待测工控网络数据不存在风险,而当待测工控网络数据的报文类型为风险报文时,表示该待测工控网络数据存在风险,进一步的,控制器会在检测出风险报文后生成风险提示,提示的方式可以是以文字的形式展示在和控制器相连的终端显示器上,提示内容可以是:工控网络数据存在风险;风险提示的目的是便于用户及时掌握工控网络数据的风险状况。
本发明实施例的技术方案,通过从样本集中获取与待测工控网络数据匹配的目标工控网络数据,针对性强并且准确性高,再根据目标工控网络数据确定待测工控网络数据的报文类型,处理过程简单的同时提高了数据检测效率,通过报文类型确定风险情况,实现了工控网络数据风险确定。
实施例二
图3为本发明实施例二提供的一种工控网络数据风险确定方法的流程图,本实施例在上述实施例一的基础上对根据第二样本集确定目标样本数量进行具体说明,如图3所示,该方法包括:
S210、根据指定字段计算第二样本集与第一样本集中各最终工控网络数据的欧式距离。
具体的,控制器还会利用第二样本集中的最终工控网络数据确定目标样本数量,以提高控制器在后续确定待测工控网络数据的准确率和效率。当指定字段为协议类型、周期、报文长度和间隔时间时,控制器会根据这四个指定字段利用上述公式(1)计算第二样本集中与第一样本集中各最终工控网络数据的欧式距离。
S220、获取用户输入的初始样本数量,根据初始样本数量和欧式距离对第一样本集筛选得到测试工控网络数据。
具体的,控制器可以获取用户输入的初始样本数量,初始样本数量是用户根据计算需求进行设置的,通常情况下,初始样本数量为5,控制器在计算出第二样本集中与第一样本集中各最终工控网络数据的欧式距离后,会将欧式距离按照由小到大的顺序生成数据序列,然后根据初始样本数量5提取数据序列前5条最终工控网络数据作为测试工控网络数据。
S230、计算测试工控网络数据对应的报文类型的数量值,将数量值最大的报文类型作为计算报文类型。
具体的,控制器会计算各测试工控网络数据对应的报文类型的数量值,然后将数量值最大的报文类型作为第二样本集中各最终工控网络数据的计算报文类型。
S240、获取第二样本集中各最终工控网络数据对应的报文类型作为实际报文类型。
具体的,由于第二样本集中包含用户输入的各最终工控网络数据对应的报文类型,控制器会将该报文类型作为第二样本集中各最终工控网络数据的实际报文类型。
S250、根据实际报文类型和计算报文类型生成错误率。
具体的,当实际报文类型和计算报文类型不同时,代表计算报文类型错误,控制器可以根据第二样本集中各最终工控网络数据的实际报文类型和计算报文类型生成错误率,例如,第二样本集中存在20条最终工控网络数据,其中15条的实际报文类型和计算报文类型相同,5条的不同,则错误率为25%。
S260、根据错误率对初始样本数量进行调整得到目标样本数量。
具体的,用户可以通过设置错误阈值来保证第一样本的生成的报文类型结果的准确率,由于第一样本中筛选出的目标工控网络数据是和待测工控网络数据中相似的数据,故筛选出的目标工控网络数据的数量越多,得到的报文类型结果就更准确,所以当通过第二样本集进行校验的过程中,在错误率高于错误阈值时,控制器可以提高初始样本的数量,即控制器对初始样本的数量进行调整得到目标样本数量,再根据目标样本数量在第一样本集中进行筛选。
例如,初始样本数量为5,将初始样本数量增加到7后,控制器会提取数据序列前7条最终工控网络数据作为测试工控网络数据,再根据实际报文类型和计算报文类型生成错误率,若此时的错误率小于错误阈值,即可将7作为目标样本数量,在后续确定待测工控网络数据的过程中,就可以选取数据序列前7条数据作为目标工控网络数据,并进一步确定待测工控网络数据的报文类型。
本发明实施例的技术方案,通过从样本集中获取与待测工控网络数据匹配的目标工控网络数据,针对性强并且准确性高,再根据目标工控网络数据确定待测工控网络数据的报文类型,处理过程简单的同时提高了数据检测效率,通过报文类型确定风险情况,再通过第二样本集对目标工控网络数据的目标数据量进行调整,进一步提高了检测的准确性,实现了工控网络数据风险确定。
实施例三
图4为本发明实施例三提供的一种工控网络数据风险确定装置的结构示意图。如图4所示,该装置包括:样本集获取模块310,用于获取样本集,其中,样本集包括工控网络数据和报文类型的对应关系;目标工控网络数据获取模块320,用于获取待测工控网络数据,从样本集中获取与待测工控网络数据匹配的目标工控网络数据;风险状况确定模块330,用于根据目标工控网络数据确定待测工控网络数据的报文类型,并根据报文类型确定待测工控网络数据的风险状况,其中,报文类型包括请求报文、响应报文和风险报文。
优选的,样本集获取模块310,具体包括:初始工控网络数据采集单元,用于采集指定时间范围的各生产线的初始工控网络数据;最终工控网络数据获取单元,用于按照指定字段对初始工控网络数据进行数据提取获取最终工控网络数据;初始数据库构建单元,用于根据最终工控网络数据构建初始数据库,其中,初始数据库中包含最终工控网络数据;样本集构建单元,用于根据初始数据库构建样本集。
优选的,样本集构建单元,具体用于:获取用户输入的各最终工控网络数据对应的报文类型;根据报文类型和最终工控网络数据构建样本集。
优选的,目标工控网络数据获取模块320,具体包括:待测数据获取单元,用于获取待测工控网络数据;目标数据确定单元,用于根据指定范围对样本集进行划分,得到第一样本集和第二样本集;根据第二样本集确定目标样本数量;根据指定字段计算待测工控网络数据与第一样本集中各最终工控网络数据的欧式距离;按照欧式距离由小到大的顺序对最终工控网络数据进行排序获得数据序列;按照目标样本数量依次从数据序列中进行筛选得到目标工控网络数据。
优选的,目标数据确定单元,具体用于:根据指定字段计算第二样本集与第一样本集中各最终工控网络数据的欧式距离;获取用户输入的初始样本数量,根据初始样本数量和欧式距离对第一样本集筛选得到测试工控网络数据;计算测试工控网络数据对应的报文类型的数量值,将数量值最大的报文类型作为计算报文类型;获取第二样本集中各最终工控网络数据对应的报文类型作为实际报文类型;根据实际报文类型和计算报文类型生成错误率;根据错误率对初始样本数量进行调整得到目标样本数量。
优选的,风险状况确定模块330,具体包括:报文类型确定单元,用于获取各目标工控网络数据对应的报文类型;计算各报文类型的数量值,将数量值最大的报文类型作为待测工控网络数据的报文类型。
优选的,风险状况确定模块330,具体包括:风险状况确定单元,用于当报文类型为请求报文或响应报文时,确定待测工控网络数据不存在风险;当报文类型为风险报文时,确定待测工控网络数据存在风险。
本发明实施例的技术方案,通过从样本集中获取与待测工控网络数据匹配的目标工控网络数据,针对性强并且准确性高,再根据目标工控网络数据确定待测工控网络数据的报文类型,处理过程简单的同时提高了数据检测效率,通过报文类型确定风险情况,实现了工控网络数据风险确定。
本发明实施例所提供的一种工控网络数据风险确定装置可执行本发明任意实施例所提供的一种工控网络数据风险确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种工控网络数据风险确定方法。
在一些实施例中,一种工控网络数据风险确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种工控网络数据风险确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种工控网络数据风险确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种工控网络数据风险确定方法,其特征在于,包括:
获取样本集,其中,所述样本集包括工控网络数据和报文类型的对应关系;
获取待测工控网络数据,从所述样本集中获取与所述待测工控网络数据匹配的目标工控网络数据;
根据所述目标工控网络数据确定所述待测工控网络数据的报文类型,并根据所述报文类型确定所述待测工控网络数据的风险状况,其中,所述报文类型包括请求报文、响应报文和风险报文;
其中,所述根据所述目标工控网络数据确定所述待测工控网络数据的报文类型,包括:
获取各所述目标工控网络数据对应的所述报文类型;
计算各所述报文类型的数量值,将所述数量值最大的报文类型作为所述待测工控网络数据的报文类型,其中,当所述待测工控网络数据的报文类型为请求报文或响应报文时,表示所述待测工控网络数据不存在风险;当所述待测工控网络数据的报文类型为风险报文时,表示所述待测工控网络数据存在风险;
其中,所述方法还包括:
在检测出所述待测工控网络数据的报文类型为风险报文后,生成风险提示;其中,所述风险提示的方式是以文字的形式展示在和控制器相连的终端显示器上,提示内容为所述待测工控网络数据存在风险。
2.根据权利要求1所述的方法,其特征在于,所述获取样本集,包括:
采集指定时间范围的各生产线的初始工控网络数据;
按照指定字段对所述初始工控网络数据进行数据提取获取最终工控网络数据;
根据所述最终工控网络数据构建初始数据库,其中,所述初始数据库中包含所述最终工控网络数据;
根据所述初始数据库构建所述样本集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始数据库构建所述样本集,包括:
获取用户输入的各最终工控网络数据对应的报文类型;
根据所述报文类型和所述最终工控网络数据构建样本集。
4.根据权利要求3所述的方法,其特征在于,所述从所述样本集中获取与所述待测工控网络数据匹配的目标工控网络数据,包括:
根据指定范围对所述样本集进行划分,得到第一样本集和第二样本集;
根据所述第二样本集确定目标样本数量;
根据所述指定字段计算所述待测工控网络数据与所述第一样本集中各所述最终工控网络数据的欧式距离;
按照所述欧式距离由小到大的顺序对所述最终工控网络数据进行排序获得数据序列;
按照所述目标样本数量依次从所述数据序列中进行筛选得到所述目标工控网络数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二样本集确定目标样本数量,包括:
根据所述指定字段计算所述第二样本集与所述第一样本集中各所述最终工控网络数据的所述欧式距离;
获取用户输入的初始样本数量,根据所述初始样本数量和所述欧式距离对所述第一样本集筛选得到测试工控网络数据;
计算所述测试工控网络数据对应的报文类型的数量值,将所述数量值最大的报文类型作为计算报文类型;
获取所述第二样本集中各所述最终工控网络数据对应的报文类型作为实际报文类型;
根据所述实际报文类型和所述计算报文类型生成错误率;
根据所述错误率对所述初始样本数量进行调整得到所述目标样本数量。
6.一种工控网络数据风险确定装置,其特征在于,包括:
样本集获取模块,用于获取样本集,其中,所述样本集包括工控网络数据和报文类型的对应关系;
目标工控网络数据获取模块,用于获取待测工控网络数据,从所述样本集中获取与所述待测工控网络数据匹配的目标工控网络数据;
风险状况确定模块,用于根据所述目标工控网络数据确定所述待测工控网络数据的报文类型,并根据所述报文类型确定所述待测工控网络数据的风险状况,其中,所述报文类型包括请求报文、响应报文和风险报文;
其中,所述风险状况确定模块,具体包括:
报文类型确定单元,用于获取各所述目标工控网络数据对应的所述报文类型;
计算各所述报文类型的数量值,将所述数量值最大的报文类型作为所述待测工控网络数据的报文类型,其中,当所述待测工控网络数据的报文类型为请求报文或响应报文时,表示所述待测工控网络数据不存在风险;当所述待测工控网络数据的报文类型为风险报文时,表示所述待测工控网络数据存在风险;
其中,所述装置还包括:
风险提示生成模块,用于在检测出所述待测工控网络数据的报文类型为风险报文后,生成风险提示;其中,所述风险提示的方式是以文字的形式展示在和控制器相连的终端显示器上,提示内容为所述待测工控网络数据存在风险。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任一项所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998510.7A CN115361308B (zh) | 2022-08-19 | 2022-08-19 | 一种工控网络数据风险确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998510.7A CN115361308B (zh) | 2022-08-19 | 2022-08-19 | 一种工控网络数据风险确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115361308A CN115361308A (zh) | 2022-11-18 |
CN115361308B true CN115361308B (zh) | 2024-06-25 |
Family
ID=84002013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210998510.7A Active CN115361308B (zh) | 2022-08-19 | 2022-08-19 | 一种工控网络数据风险确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115361308B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107332859A (zh) * | 2017-08-07 | 2017-11-07 | 浙江国利信安科技有限公司 | 一种工业控制系统风险识别方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165840B (zh) * | 2018-08-20 | 2022-06-21 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
US20220110155A1 (en) * | 2019-01-08 | 2022-04-07 | Apple Inc. | Random access channel (rach) optimization and automatic neighbor relation creation for 5g networks |
CN111082960B9 (zh) * | 2019-04-15 | 2023-01-24 | 中兴通讯股份有限公司 | 数据的处理方法及装置 |
CN110113332A (zh) * | 2019-04-30 | 2019-08-09 | 北京奇安信科技有限公司 | 一种检测工控协议是否存在异常的方法及装置 |
CN111193747B (zh) * | 2019-12-31 | 2022-06-10 | 奇安信科技集团股份有限公司 | 报文的威胁检测方法、装置、电子设备和存储介质 |
CN111669381B (zh) * | 2020-05-28 | 2022-02-01 | 杭州迪普科技股份有限公司 | 工业控制网络的风险预警方法及装置 |
CN112637176B (zh) * | 2020-12-17 | 2021-08-20 | 山东云天安全技术有限公司 | 一种工业网络数据隔离方法、装置及存储介质 |
CN113242218A (zh) * | 2021-04-23 | 2021-08-10 | 葛崇振 | 一种网络安全监控方法及系统 |
CN113225342B (zh) * | 2021-05-08 | 2023-06-30 | 四川英得赛克科技有限公司 | 一种通信异常检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-19 CN CN202210998510.7A patent/CN115361308B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107332859A (zh) * | 2017-08-07 | 2017-11-07 | 浙江国利信安科技有限公司 | 一种工业控制系统风险识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115361308A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115509797A (zh) | 一种故障类别的确定方法、装置、设备及介质 | |
CN115361308B (zh) | 一种工控网络数据风险确定方法、装置、设备及存储介质 | |
CN115168154B (zh) | 一种基于动态基线的异常日志检测方法、装置及设备 | |
CN114884813B (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
CN116647377A (zh) | 一种网站巡检方法、装置、电子设备及存储介质 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN114444087A (zh) | 一种越权漏洞检测方法、装置、电子设备及存储介质 | |
CN115174426B (zh) | 一种输出报文检测方法、装置、电子设备及存储介质 | |
CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN117493127B (zh) | 一种应用程序检测方法、装置、设备及介质 | |
US20230130399A1 (en) | Wakeup Indicator Monitoring Method, Apparatus and Electronic Device | |
CN116149933B (zh) | 一种异常日志数据确定方法、装置、设备及存储介质 | |
CN115378589B (zh) | 二进制密钥的随机性测试方法、装置、设备及介质 | |
CN117539840B (zh) | 一种日志获取方法、装置、设备及介质 | |
CN117292843B (zh) | 电信号数据处理方法、装置、设备和存储介质 | |
CN117076988A (zh) | 异常行为检测方法、装置、设备及介质 | |
CN116225568A (zh) | 一种应用系统接口的管理方法、装置、设备及存储介质 | |
CN117851599A (zh) | 投资监督其他要素文本抽取方法、装置、设备以及介质 | |
CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
CN117609723A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN117271289A (zh) | 一种网页监测方法、装置、设备以及存储介质 | |
CN117806764A (zh) | 一种用户界面的数据收集方法、装置、设备及存储介质 | |
CN117195118A (zh) | 一种数据的异常检测方法、装置、设备及介质 | |
CN117093558A (zh) | 一种日志文件采集信息的生成方法、装置、设备及介质 | |
CN116521397A (zh) | 一种流量数据检测方法、装置、设备及存储介质 |
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 |