杨忠君, 郑志权, 敖 然, 王国刚, 宗学军, 李鹏程

(1. 沈阳化工大学 信息工程学院, 沈阳 110142; 2. 辽宁省计量科学研究院, 沈阳 110006)

0 引 言

现代的工业控制系统(industrial control systems,ICS)正向着规模化、网络化和智能化的方向发展,在推动人类社会巨大进步的同时,也面临着遭受网络攻击带来的安全问题[1]。伊朗 “震网”病毒事件、委内瑞拉电力系统网络攻击事件、以色列水利设施网络攻击事件和瑞士铁路公司勒索病毒事件等事件均表明[2],ICS的网络安全问题已迫在眉睫。

入侵检测系统(intrusion detection system,IDS)一直是工业控制网络安全领域的重要研究内容,备受专家学者的关注。IDS可以实时监控ICS的状态,增加系统主动防御能力。近年来,各类新型IDS不断提出,为工业控制网络安全做出了极大的贡献[3]。Fu等[4]针对大流量复杂图像处理的问题,提出了一种端到端的多尺度卷积神经网络(multiscale convolutional neural network,MSCNN),取得了不错的效果。Xu等[5]提出了一种基于混合图像增强的多任务级联卷积神经网络来提高检测效果。Bedi P等[6]为处理数据集中小样本类的问题,提出了一种siames神经网络的小样本类检测模型。李晨等[7]提出一种结合长短时记忆网络与支持向量机(one class support vector machine,OCSVM)的混合入侵检测模型,缓解了传感器易受未知网络攻击的问题。刘万军等[8]提出一种结合含噪密度聚类方法的OCSVM异常入侵检测算法,提高了模型的鲁棒性。

分析以上成果发现,工业控制网络安全异常流量检测领域中存在以下问题:1)ICS中数据流量庞大,正负数据极不平衡;2)检测模型的鲁棒性差,难以适应不同的工业控制网络环境;3)难以对未知异常攻击进行有效防御。……