本發(fā)明屬于工控系統(tǒng)異常檢測，涉及一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述(adversarial?driven?deep?support?vector?data?description，簡稱：ad-desvdd)的工控系統(tǒng)異常檢測方法。

背景技術(shù)：

1、工控系統(tǒng)(industrial?control?system，簡稱：ics)是現(xiàn)代工業(yè)生產(chǎn)的核心組成部分，其主要功能是對工業(yè)過程進(jìn)行實(shí)時監(jiān)控和控制，確保生產(chǎn)過程的安全、高效和穩(wěn)定運(yùn)行。隨著工業(yè)4.0和工業(yè)互聯(lián)網(wǎng)的發(fā)展，ics逐漸從封閉走向開放，面臨的安全威脅和挑戰(zhàn)也隨之增加，而異常檢測技術(shù)是保障ics安全運(yùn)行的重要手段。ics異常檢測技術(shù)通過識別與正常模式不匹配的異常點(diǎn)，實(shí)現(xiàn)對系統(tǒng)異常的實(shí)時監(jiān)測與識別，具有高效、精準(zhǔn)、可靠的特點(diǎn)。近年來，隨著ics的智能化和大數(shù)據(jù)技術(shù)的廣泛應(yīng)用，異常檢測技術(shù)有助于及時發(fā)現(xiàn)系統(tǒng)中的異常行為，提前預(yù)警潛在的安全風(fēng)險，對于保障ics安全運(yùn)行具有重要意義。

2、深度支持向量數(shù)據(jù)描述(deep?support?vector?data?description，簡稱：desvdd)是一種新興的深度單分類網(wǎng)絡(luò)，由ruff等人于2018年提出。因其結(jié)合了深度學(xué)習(xí)，不但能夠有效提取高維復(fù)雜數(shù)據(jù)內(nèi)在特征，而且訓(xùn)練過程中僅依賴于正常數(shù)據(jù)，比傳統(tǒng)的多分類更適用于處理數(shù)據(jù)不平衡和未知異常的情況。盡管desvdd在ics異常檢測中具有顯著優(yōu)勢，但仍面臨一些挑戰(zhàn)。在實(shí)際應(yīng)用中，ics的異常數(shù)據(jù)通常非常稀少，在訓(xùn)練過程中完全失去了異常數(shù)據(jù)類信息，導(dǎo)致模型難以準(zhǔn)確描述正常和異常的分割邊界。因此，如何探索異常數(shù)據(jù)對深度單分類網(wǎng)絡(luò)訓(xùn)練結(jié)果的影響是一個亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對傳統(tǒng)desvdd在訓(xùn)練過程中未充分考慮與利用異常樣本問題，提供一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法。該方法將深度單分類與對抗生成網(wǎng)絡(luò)相結(jié)合，引入對抗學(xué)習(xí)生成具有異常特征的偽異常樣本，并構(gòu)建約束條件優(yōu)化單分類模型邊界。

2、為了達(dá)到上述目的，本發(fā)明提供了一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，含有以下步驟：

3、(一)采集工控系統(tǒng)正常工況數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，利用雙向生成對抗網(wǎng)絡(luò)學(xué)習(xí)正常工況數(shù)據(jù)生成偽異常樣本數(shù)據(jù)集其中n是正常樣本的個數(shù)，m是為異常樣本的個數(shù)，yi＝g(zi)，g是生成對抗網(wǎng)絡(luò)中的生成器，zi是均值為0，方差為1隨機(jī)潛在向量；

4、(二)計算偽異常樣本與正常數(shù)據(jù)中心點(diǎn)c的歐氏距離定義異常過濾器filter(di)對偽異常樣本進(jìn)行篩選，得到篩選后的偽異常樣本其中為篩選后的偽異常樣本個數(shù)；

5、(三)使用自動編碼器對正常樣本和偽異常樣本進(jìn)行特征提取，綜合特征重構(gòu)誤差、正常樣本的超球體體積和偽異常樣本在超球體邊界的投影構(gòu)造優(yōu)化目標(biāo)函數(shù)，訓(xùn)練深度支持向量數(shù)據(jù)描述網(wǎng)絡(luò)；

6、(四)定義異常得分公式并計算所有正常訓(xùn)練樣本的得分按升序排序確定閾值ξ；

7、(五)采集測試數(shù)據(jù)xt，計算測試數(shù)據(jù)的異常得分s(xt)，如果s(xt)>ξ則將測試數(shù)據(jù)xt歸為異常類，反之則歸為正常類。

8、進(jìn)一步的，所述步驟(一)中，通過公式(1)-公式(4)訓(xùn)練雙向生成對抗網(wǎng)絡(luò)中的生成器g生成偽異常樣本公式(1)-公式(4)的表達(dá)式為：

9、

10、

11、

12、

13、式中，g為雙向生成對抗網(wǎng)絡(luò)的生成器，e為雙向生成對抗網(wǎng)絡(luò)的編碼器，d為雙向生成對抗網(wǎng)絡(luò)的鑒別器，lgan為生成器和鑒別器組合的聯(lián)合損失，lae為重構(gòu)損失，ldist是懲罰項(xiàng)損失，為布爾函數(shù)，當(dāng)條件(·)成立時取值為1，否則取值為0，超參數(shù)γ>1用于調(diào)節(jié)生成數(shù)據(jù)的范圍，c為正常樣本的中心，r為正常樣本與中心點(diǎn)c的平均歐氏距離；

14、正常樣本中心點(diǎn)c通過公式(5)計算，公式(5)的表達(dá)式為：

15、

16、平均歐氏距離r通過公式(6)計算，公式(6)的表達(dá)式為：

17、

18、進(jìn)一步的，所述步驟(二)中的偽異常樣本與正常數(shù)據(jù)中心點(diǎn)c的歐氏距離通過公式(7)計算，公式(7)的表達(dá)式為：

19、di＝‖yi-c‖??(7)

20、過濾器filter(di)通過公式(8)計算，公式(8)的表達(dá)式為：

21、filter(di)＝{r≤di<γ*r}??(8)

22、式中，超參數(shù)γ>1；

23、經(jīng)過上述公式(8)中的過濾器filter(di)對進(jìn)行處理，篩選出滿足條件r≤di<γ*r的即得到篩選后的偽異常樣本

24、進(jìn)一步的，所述步驟(三)中，優(yōu)化目標(biāo)函數(shù)通過公式(9)表示，公式(9)的表達(dá)式為：

25、

26、式中，n和分別為正常樣本和偽異常樣本的的個數(shù)，o為該超球體的中心，xi為正常樣本，為偽異常樣本，為正常樣本xi的重構(gòu)樣本，μ為權(quán)衡正常樣本與偽異常樣本的損失占比，β和λ分別為重構(gòu)誤差和網(wǎng)絡(luò)正則化的權(quán)衡參數(shù)，為自動編碼器的映射網(wǎng)絡(luò)，wl為第l層網(wǎng)絡(luò)的連接權(quán)值，l為網(wǎng)絡(luò)層數(shù)，通過求解公式(9)來優(yōu)化連接權(quán)值，‖·‖f是frobenius范數(shù)；

27、超球體中心o由正常樣本xi和偽異常樣本的潛在特征決定，通過公式(10)計算超球體中心o，公式(10)的表達(dá)式為：

28、

29、進(jìn)一步的，所述步驟(四)中，判別異常的異常分?jǐn)?shù)通過公式(11)計算，公式(11)的表達(dá)式為：

30、

31、式中，為通過求解公式(10)得到的最優(yōu)連接權(quán)值；

32、閾值ξ通過公式(12)計算，公式(12)的表達(dá)式為：

33、

34、式中，s為所有正常訓(xùn)練樣本的異常得分的升序排序數(shù)組，為向上取整運(yùn)算符，為獲取長度為n的數(shù)組s中第95％分位點(diǎn)的值。

35、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

36、本發(fā)明提供的一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，基于工控系統(tǒng)過程正常數(shù)據(jù)樣本，將生成對抗學(xué)習(xí)與深度單分類相結(jié)合。利用雙向生成對抗網(wǎng)絡(luò)生成偽異常樣本，能夠有效生成具有異常特征的樣本擴(kuò)充訓(xùn)練數(shù)據(jù)集，輔助提高模型的訓(xùn)練效果和性能表現(xiàn)。通過構(gòu)建約束條件優(yōu)化單分類模型邊界，進(jìn)一步提高深度單分類模型在異常檢測任務(wù)中的表現(xiàn)，增強(qiáng)模型的異常檢測能力和準(zhǔn)確性。

技術(shù)特征：

1.一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其特征在于，含有以下步驟：

2.如權(quán)利要求1所述的一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其特征在于，所述步驟(一)中，通過公式(1)-公式(4)訓(xùn)練雙向生成對抗網(wǎng)絡(luò)中的生成器g生成偽異常樣本公式(1)-公式(4)的表達(dá)式為：

3.如權(quán)利要求1所述的一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其特征在于，所述步驟(二)中的偽異常樣本與正常數(shù)據(jù)中心點(diǎn)c的歐氏距離

4.如權(quán)利要求1所述的一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其特征在于，所述步驟(三)中，優(yōu)化目標(biāo)函數(shù)通過公式(9)表示，公式(9)的表達(dá)式為：&&

5.如權(quán)利要求1所述的一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其特征在于，所述步驟(四)中，判別異常的異常得分通過公式(11)計算，公式(11)的表達(dá)式為：

技術(shù)總結(jié)
本發(fā)明涉及一種基于對抗驅(qū)動深度支持向量數(shù)據(jù)描述的工控系統(tǒng)異常檢測方法，其步驟為：通過雙向生成對抗網(wǎng)絡(luò)學(xué)習(xí)正常樣本并生成偽異常樣本，設(shè)計不同的懲罰項(xiàng)用于約束生成的偽異常樣本范圍；定義異常過濾器對偽異常樣本進(jìn)行篩選；采用自動編碼器對正常樣本和偽異常樣本進(jìn)行特征提取，綜合特征重構(gòu)誤差、正常樣本的超球體體積和偽異常樣本在超球體邊界的投影構(gòu)造優(yōu)化目標(biāo)函數(shù)，訓(xùn)練深度支持向量數(shù)據(jù)描述網(wǎng)絡(luò)；構(gòu)建異常得分與閾值來判斷異常。本發(fā)明結(jié)合了對抗學(xué)習(xí)與深度單分類，并構(gòu)建約束條件優(yōu)化分類邊界，解決了在工控系統(tǒng)中異常事件罕見情況下生成偽異常數(shù)據(jù)以增強(qiáng)分類性能的問題，從而提高了異常檢測的準(zhǔn)確性和可靠性。

技術(shù)研發(fā)人員：鄧曉剛,黎佳妍,楊文潔
受保護(hù)的技術(shù)使用者：中國石油大學(xué)（華東）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10