一种基于孪生网络的少样本虚假数据注入攻击检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113612733A(43)申请公布日2021.11.05(21)申请号202110767974.2(22)申请日2021.07.07(71)申请人浙江工业大学地址310014浙江省杭州市下城区朝晖六区潮王路18号(72)发明人洪榛刘利松李涛涛刘涛叶尚犇(74)专利代理机构杭州斯可睿专利事务所有限公司33241代理人王利强(51)Int.Cl.H04L29/06(2006.01)G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书3页说明书6页附图1页(54)发明名称一种基于孪生网络的少样本虚假数据注入攻击检测方法(57)摘要一种基于孪生网络的少样本虚假数据注入攻击检测方法，包括以下步骤：1)对网络化控制系统雕刻机实验平台进行虚假数据注入攻击；2)设置数据自动采集平台采集雕刻机实验平台在正常运行状态下和受到虚假数据注入攻击状态下的数据；3)数据预处理；4)使用孪生网络建模，从训练集中取样少样本分类任务输入2D‑卷积神经网络，进行特征提取，将基于度量方法计算得到特征之间的欧式距离作为优化目标，使用对比损失函数和优化器进行模型预训练；5)使用最优化模型进行预测，从测试集取样少样本分类任务输入训练得到最优化的孪生网络模型，输出相似度和预测标签，并对预测效果进行评估。本发明检测过程更加便捷，取得了更优的检测准确率。CN113612733ACN113612733A权利要求书1/3页1.一种基于孪生网络的少样本虚假数据注入攻击检测方法，其特征在于，所述方法包括以下步骤：1)虚假数据注入攻击：通过程序在雕刻机实验平台正常运行下对Y轴电机的速度进行偏差注入攻击；2)数据采集：使用UDP/IP协议通讯，采集网络化控制系统雕刻机实验平台以雕刻圆的形式在正确状态下和受到虚假数据注入攻击状态下的数据，所述数据包括Y轴位置和速度；3)数据预处理：将数据通过程序转化为二维图像，建立训练集和测试集；4)使用孪生网络建模：从训练集中取样少样本分类任务输入2D‑卷积神经网络，进行特征提取，将基于度量方法计算得到特征之间的欧式距离作为优化目标，使用对比损失函数和优化器进行网络模型训练；5)模型预测：从测试集取样少样本分类任务输入训练得到最优化的孪生网络模型，输出相似度和预测标签，并对预测效果进行评估。2.如权利要求1所述的一种基于孪生网络的少样本虚假数据注入攻击检测方法，其特征在于，所述步骤1)中，虚假数据注入攻击包括以下过程：步骤101，虚假数据注入攻击手段为偏差攻击，此类攻击是破坏数据的完整性，即在某时刻或某段时间内，在原始数据后注入攻击值，影响系统的稳定，其形式如下式：其中，y是系统正常运行时传输的数据，σ为注入的攻击值，是注入攻击后的数据；其中，t为实验时间，Tbias是注入攻击的时刻，λ是攻击时刻时注入攻击值；步骤102，通过程序在雕刻机实验平台正常运行下对Y轴电机的速度进行偏差攻击，注入时间为一个周期，注入攻击的时刻为正常运行一个周期后一个周期注入攻击，并且注入攻击持续一个周期。攻击数值分别为100、150、200，代表三种攻击类别。3.如权利要求1所述的一种基于孪生网络的少样本虚假数据注入攻击检测方法，其特征在于，所述步骤2)中数据采集包括以下过程：步骤201，实验平台主要使用网络化控制系统雕刻机平台，与雕刻机直接相连的控制端为服务器端，远程控制端为客户端，二者通过UDP/IP进行通讯；步骤202，设置一个自动数据采集平台，当雕刻机以雕刻圆的形式运作时，一个周期产生约1600个数据点，平台自动采集Y轴位置坐标和伺服电机速度。4.如权利要求1所述的一种基于孪生网络的少样本虚假数据注入攻击检测方法，其特征在于，所述步骤3)中，数据预处理包括以下过程：步骤301，将提取到的数据转化格式，并以时间序列排序；步骤302，由于单以雕刻机Y轴位置和速度无法作为特征检测攻击，而且雕刻机进行画圆操作，因此圆心是固定的，将计算得到的当前点与圆心的距离作为检测依据，圆心为点(20,20)，具体计算方式为2CN113612733A权利要求书2/3页其中，(xp,yp)表示正常运行时当前点位坐标，N为采集的样本数量；length为各个点与圆心的总距离；length_mean为取总距离的均值，此数据作为阈值；err_normal记录了正常运行时点与圆心的距离与均值之间的误差；步骤303，同理，以误差作为特征数据，将攻击得到的虚假数据进一步处理，得到攻击后运行点和圆心距离与均值之间的误差；步骤304，通过程序将正常误差数据和虚假数据通过大小为512点的滑动窗口以40步的位移步长滑动生成图像，将图像样本划分为训练集和测试集。5.如权利要求1所述