工业控制系统异常检测的深度学习方法、装置、存储介质及计算机设备
本发明涉及工业控制系统，具体涉及一种工业控制系统异常检测的深度学习方法、装置、存储介质及计算机设备。
背景技术：
1、工业控制系统是现代制造业和流程工业的支柱，在自动化和优化复杂过程中发挥着关键作用，在正常运行中，由于物理组件（如传感器或执行器）故障或者受到网络攻击(如篡改传感器数据或控制器的控制信号)而导致出现异常情况。而这些异常情况可能会造成巨大的经济损失。为了确保工业控制系统的安全可靠运行，开发有效的异常检测模型以减少非计划系统故障具有重要意义。
2、目前工业控制系统异常检测方法有很多，传统的方法大多是基于统计，距离和密度的，这些方法容易受噪声影响，检测效果不稳定。基于机器学习的方法，大多不能捕捉到传感器之间的依赖关系同时也不具有异常定位能力。基于深度学习的方法如gdn(deng a,hooi b. graph neural network-based anomaly detection in multivariatetimeseries[c]//proceedings of the aaai conference on artificial intelligence.2021,35(5): 4027-4035.)
3、采用了基于余弦相似度的图构建方法，虽然能够学习潜在关系，但这一方法依赖于传感器嵌入的质量，当嵌入不准确或受到干扰时，构建出的图结构可能不准确，影响模型的异常检测能力，同时没有关注到时间序列中的时间依赖关系。
技术实现思路
1、本发明的目的是为了克服以上现有技术存在的不足，提供了一种工业控制系统异常检测的深度学习方法。此工业控制系统异常检测的深度学习方法有效提升了异常检测的准确性和鲁棒性，能够在动态变化的环境中稳定工作。
2、本发明的第二目的在于提供了一种工业控制系统异常检测的深度学习装置。
3、本发明的第三目的在于提供了一种存储介质。
4、本发明的第四目的在于提供了一种计算机设备。
5、本发明的第一目的通过以下的技术方案实现：工业控制系统异常检测的深度学习方法，包括以下步骤：
6、s1、在需要被保护或者被检测的工业控制系统中使用数据采集系统实时收集传感器数据，对采集得到的数据进行处理得到数据集，此数据集包括训练集、验证集和测试集；
7、s2、构建神经网络模型，此神经网络模型包括：
8、节点编码器，用于提取局部时间依赖关系；
9、面向物理流程图注意力网络模块，用于捕捉传感器在物理过程的依赖关系；
10、面向控制器图注意力网络模块，用于捕捉控制器之间的传感器信息流动关系；
11、预测器，用于预测出下一个时间戳里传感器的预期值；
12、s3、采用早停机制训练神经网络模型，以对神经网络模型实现优化；
13、s4、部署优化后的神经网络模型，以对被保护或检测的工业控制系统进行异常诊断，得到诊断结果。
14、优选的，所述节点编码器包括一维卷积层和线性层，一维卷积层对滑动窗口输入的数据沿时间维度对每个节点进行一维卷积，以捕捉输入序列中的局部时间依赖关系，从而得到卷积后的结果矢量化，再将此结果矢量化输入到线性层，以对每个节点为进行编码。
15、优选的，所述面向物理流程图注意力网络模块包括：
16、划分物理子图，将各个节点划分节点集合，以构成物理流程图；
17、生成物理子图，基于自适应注意力机制，令每个节点进行分配不同的权重，并对物理流程图中各个节点特征进行平均池化操作；
18、物理图注意力层，对平均池化后的物理流程图进行图注意力操作，获得相邻的物理流程的特征，以捕捉传感器在物理过程中的依赖关系。
19、优选的，面向控制器图注意力网络模块包括：
20、划分控制器子图，将各个节点划分节点集合，以构成控制图；
21、生成控制器子图，基于自适应注意力机制，令每个节点进行分配不同的权重，并对控制图中各个节点特征进行平均池化操作；
22、控制图注意力层，对平均池化后的控制图进行图注意力操作，获得相邻的物理流程的特征，以捕捉控制器之间的信息流动。
23、优选的，步骤s3包括以下步骤：
24、s31、根据图注意力网络的嵌入向量的维度d和全连接层神经元的数量n初始化神经网络模型，初始化耐心值m；
25、s32、在每一轮训练中采用滑动窗口将训练集输入到神经网络模型中进行训练学习，损失函数采用平方差损失函数：
26、，
27、其中，是输入样本滑动窗口的大小，是训练集的总的时间戳，表示模型预测出t时刻各传感器的值，表示时刻的各传感器的实际值；
28、s33、在每一轮训练后，在验证集上进行验证：
29、如果在当前轮次中验证集损失低于之前记录的最优损失值，则更新最优损失并保存当前模型参数；否则，增加耐心计数器；如果耐心计数器超过了设定的耐心参数m，训练过程将停止，并返回到验证集损失最优时的模型参数。
30、优选的，步骤s4中异常诊断的方式为：
31、s41、令第i个传感器在t时刻的异常分数为：
32、，
33、其中，为第i个传感器在t时刻的预期值，为第i个传感器在t时刻的观察值；
34、s42、对每个传感器的误差值进行鲁棒的归一化处理：
35、，
36、其中，和分别表示在验证集上所有时间的中位数和四分位数，表示第个传感器经过鲁棒性归一化处理的异常分数；
37、s43、采用时刻t所有传感器中的最大归一化异常分数作为整体异常分数，即对t时刻所有传感器异常分数使用max函数：
38、；
39、a(t)是t时刻所有传感器中最大的异常的分数；
40、s44、若，其中表示异常分数判定的阈值；则认为系统发生了异常同时认为异常发生在a(t)所对应传感器的流程。
41、优选的，步骤s4之后还包括以下步骤：
42、s5、将诊断结果记录为日志保存至中心数据库，并根据诊断结果通知工作人员采取一系列防护措施。
43、本发明的第二目的通过以下的技术方案实现：工业控制系统异常检测的深度学习装置，包括
44、数据收集模块，用于收集工业控制系统传感器数据，以构成数据集；
45、数据处理模块，用于对数据集进行处理，以得到训练样本；
46、模型构成模块，用于训练样本对神经网络模型进行训练，以得到进行异常检测的模型；
47、异常诊断模块，用于将被保护或检测的工业控制系统中的数据进行模型推理，并输出诊断结果，再将结果交予结果响应模块；
48、结果响应模块，用于记录保存检测结果，方便后续的分析和回溯。
49、本发明的第三目的通过以下的技术方案实现：存储介质，存储有程序，此程序被处理器执行时，实现第一目的所述的工业控制系统异常检测的深度学习方法。
50、本发明的第四目的通过以下的技术方案实现：计算机设备，包括处理器及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现第一目的所述的工业控制系统异常检测的深度学习方法。
51、本发明相对于现有技术具有如下的优点：
52、本发明中的神经网络采用物理流程信息和控制器信息进行图结构建模，使神经模型更准确反映物理流程，控制器和传感器之间的多层次依赖关系，再结合一维卷积层、线性层和图神经网络模块，能够有效提取时间依赖关系和更好地捕捉传感器之间的依赖关系，从而提高异常检测的准确性和稳定性。此外，本发明采用早停机制训练神经网络模型，防止神经网络模型过拟合，还提高泛化能力。
技术特征：
1.工业控制系统异常检测的深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的工业控制系统异常检测的深度学习方法，其特征在于，所述节点编码器包括一维卷积层和线性层，一维卷积层对滑动窗口输入的数据沿时间维度对每个节点进行一维卷积，以捕捉输入序列中的局部时间依赖关系，从而得到卷积后的结果矢量化，再将此结果矢量化输入到线性层，以对每个节点为进行编码。
3.根据权利要求1所述的工业控制系统异常检测的深度学习方法，其特征在于，所述面向物理流程图注意力网络模块包括：
4.根据权利要求3所述的工业控制系统异常检测的深度学习方法，其特征在于，面向控制器图注意力网络模块包括：
5.根据权利要求1所述的工业控制系统异常检测的深度学习方法，其特征在于，步骤s3包括以下步骤：
6.根据权利要求1所述的工业控制系统异常检测的深度学习方法，其特征在于，步骤s4中异常诊断的方式为：
7.根据权利要求1所述的工业控制系统异常检测的深度学习方法，其特征在于，步骤s4之后还包括以下步骤：
8.一种工业控制系统异常检测的深度学习装置，其特征在于，包括
9.存储介质，其特征在于，存储有程序，此程序被处理器执行时，实现权利要求1~7中任一项所述的工业控制系统异常检测的深度学习方法。
10.计算机设备，其特征在于，包括处理器及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现权利要求1~7中任一项所述的工业控制系统异常检测的深度学习方法。
技术总结
本发明公开了一种用于工业控制系统异常检测的深度学习方法、装置、工作介质及计算机设备。该方法构建的神经网络模型利用一维卷积和线性层提取传感器节点的时间依赖特征。物理流程图将传感器节点划分为子图，并通过设置为完全图和图注意力网络提取局部依赖特征，池化生成物理流程嵌入，应用图注意力网络捕捉流程间的全局依赖。控制图通过图注意力网络提取控制器内传感器的通信特征，通过池化生成控制器嵌入，再应用图注意力网络捕捉控制器间的信息流动。通过物理流程图与控制器通信图的联合建模，有效捕捉多层次依赖。采用早停机制避免过拟合，支持基于异常分数的异常定位。该方法能够高效检测并定位工业控制系统中的异常，保障系统安全稳定运行。
技术研发人员：林龙新,谷岸阳,陈玉宇,王鑫
受保护的技术使用者：暨南大学
技术研发日：
技术公布日：2024/12/5