基于SAE-LSTM的工艺数据异常检测方法OA北大核心CSCD
An Anomaly Detection Method of Process Data Based on SAE-LSTM
为解决工业网络安全防护中工艺数据异常检测误报率较高的问题,本文提出一种基于时间序列的异常检测方法.该方法对工艺数据进行相关性分析、向量映射等处理,再采用堆叠自编码神经网络(SAE)对工艺数据特征进行降维,根据工艺数据在传输序列间的相互关联性,设计基于长短期记忆神经网络(LSTM)的异常检测模型,最后进行工艺数据异常检测仿真实验验证分析.实验结果表明,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隐马尔可夫异常检测模型,同时获得较好的异常检测实时性.
尚文利;石贺;赵剑明;曾鹏
广州大学电子与通信工程学院,广东广州510006中国科学院沈阳自动化研究所,辽宁沈阳110016中国科学院大学,北京100039中科院网络化控制系统重点实验室,辽宁沈阳110016
信息技术与安全科学
工业控制系统工控异常检测自编码神经网络长短期记忆神经网络
《电子学报》 2021 (8)
面向工业通信行为的异常检测及安全感知方法研究
1561-1568,8
国家自然科学基金(No.61773368)之江实验室开放课题资助(No.2021KF0AB06)
评论