詹 琉

（广东工业大学 广州 511400）

1 引言

近年来，工业互联网、智能制造、物联网等各种创新应用发展迅速，工业控制系统（Industrial Control Systems，ICS）的网络化控制设备和数据交换设施在增多，以及数据接入方式多样，这些变化使得工业控制设备更容易遭受攻击［1］。工业控制终端功能化的设计目标，使其在设计时未能考虑安全防护的需要，有限的计算存储资源也制约了安全防护措施的接入，导致近年来以“震网”病毒为代表的工业网络安全事件时有发生［2］。0-day 漏洞的利用以及病毒变种的多样性使得传统基于漏洞库的安全防护措施暴露出更多问题［3］，设计准确高效且能够应对未知攻击的安全防护方法成为当前研究焦点［13］。

入侵检测系统（IDS）是网络安全的第二道防线，对网络数据传输进行监控，通过对数据的分析发现异常行为［14～15］。IDS 引入了粗糙集理论，决策树，随机森林，人工神经网络和支持向量机（SVM）来防范未知攻击。而SVM 是基于边缘的分类器，基于具有良好泛化能力的小样本学习，经常用于现实世界的分类应用［16］。同时SVM 没有人工神经网络无法解决的过度拟合问题，但是仍然受到数据集大小的影响，由于内存不足或长时间的训练而导致系统故障。在现实生活中，数据通常具有大量不相关或过时的特征。SVM 缺乏立即拥有特征重要性的能力［4］，这最终会增加显着的计算难度并可能导致预测准确性较弱。PCA 的最小信息损失和LDA所需类别的最大可辨识，将这两种技术结合起来并从其积极的方面获益的最佳尝试，从而获得更好的分类性能。……