融合邻域粗糙集和优化SVM的工控入侵检测方法及装置

技术特征：
1.一种融合邻域粗糙集和优化svm的工控入侵检测方法，其特征在于，包括：基于工控入侵检测的历史数据生成数据集，将所述数据集划分为训练集和测试集，并对所述训练集和测试集进行预处理；将预处理后的训练集和测试集送入预构建的svm算法模型，通过5折交叉验证的分类准确率的相反数作为适应度，采用量子训练样本群优化算法对所述svm算法模型进行迭代训练和测试，求取目标函数的最优值确定故障分类的超平面，根据所述目标函数的最优值得到工控入侵检测模型；将待测数据输入所述工控入侵检测模型，获得入侵检测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述训练集和测试集进行预处理，包括：对所述训练集和测试集进行归一化处理；将归一化处理后的训练集和测试集采取邻域粗糙集对数据进行属性约简。3.根据权利要求1所述的方法，其特征在于，所述对所述svm算法模型进行迭代训练和测试，包括：将预处理后的训练集输入至预构建的svm算法模型中，判断输出是否达到精度目标或者迭代次数是否大于最大迭代次数；若所述输出未达到精度目标，且迭代次数小于最大迭代次数，则利用适应度更新所述svm算法模型的目标函数，并继续对所述svm算法模型进行迭代训练，直至所述svm算法模型的输出达到精度目标或者迭代次数大于最大迭代次数；将训练后输出的svm算法模型作为工控入侵检测模型。4.根据权利要求1所述的方法，其特征在于，所述目标函数包括：惩罚参数和核函数的参数；svm算法基础模型为s.t.y
i
(w
t
x
i
b)≥1-ε
i
,ε
i
≥0,i＝1,2,
…
,m利用拉格朗日乘子法对所述svm算法基础模型进行变形，得到得到0≤α
i
≤c,i＝1,2,
…
,m
其中，c为惩罚参数，用于对错误分类的惩罚程度的标识；ε
i
为松弛变量，当训练样本x
i
被正确分类且在分类间隔外，则ε
i
＝0；当训练样本x
i
被正确分类且在分类间隔中，则0＜ε
i
<1；当训练样本x
i
没有被正确分类，则ε
i
≥0；a
i
为拉格朗日乘子，k(x
i
，x
j
)为高斯核函数，g为核函数的参数，σ为带宽，控制高斯核函数的局部作用范围，y
i
为分类标记，w为线性函数的斜率向量，b为截距。5.根据权利要求3所述的方法，其特征在于，所述采用量子训练样本群优化算法对所述svm算法模型进行迭代训练和测试，包括：步骤一，对训练样本群数目、最大迭代次数、搜索空间中的训练样本群中的每个训练样本的位置进行初始化，并将训练样本个体最佳位置初始化为当前最佳位置；步骤二，计算训练集中训练样本的平均位置；步骤三，计算训练样本的适应度值，根据适应度最小原则更新训练样本的个体最佳位置和种群的全局最佳位置；步骤四，计算随机样本的位置；步骤五，计算训练样本新的位置；步骤六，重复执行步骤二至步骤五，直到满足预设的精度目标或者达到最大迭代次数。6.根据权利要求2所述的方法，其特征在于，属性约简将所述训练集和测试集的26项属性减少为11项属性。7.根据权利要求2所述的方法，其特征在于，采用以下方式对所述训练集和测试集进行归一化处理，其中，为归一化处理后的训练样本，x为待处理训练样本，x
min
为最小训练样本，x
max
为最大训练样本。8.一种融合邻域粗糙集和优化svm的工控入侵检测装置，其特征在于，包括：获取模块，用于基于工控入侵检测的历史数据生成数据集，将所述数据集划分为训练集和测试集，并对所述训练集和测试集进行预处理；训练模块，用于将预处理后的训练集和测试集送入预构建的svm算法模型，通过5折交叉验证的分类准确率的相反数作为适应度，采用量子训练样本群优化算法对所述svm算法模型进行迭代训练和测试，求取目标函数的最优值确定故障分类的超平面，根据所述目标函数的最优值得到工控入侵检测模型；检测模块，用于将待测数据输入所述工控入侵检测模型，获得入侵检测结果。9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7任一项所述的融合邻域粗糙集和优化svm的工控入侵检测方法。

技术总结
本发明涉及一种融合邻域粗糙集和优化SVM的工控入侵检测方法及装置，所述方法包括基于工控入侵检测的历史数据生成数据集，将数据集划分为训练集和测试集，并对训练集和测试集进行预处理；将预处理后的训练集和测试集送入预构建的SVM算法模型，通过5折交叉验证的分类准确率的相反数作为适应度，采用量子训练样本群优化算法对SVM算法模型进行迭代训练和测试，求取目标函数的最优值确定故障分类的超平面，根据目标函数的最优值得到工控入侵检测模型；将待测数据输入工控入侵检测模型，获得入侵检测结果。本发明通过量子粒子群优化算法对SVM分类器进行参数寻优，利用优化后的SVM构建工控入侵检测模型，该工控入侵检测模型提高了入侵检测的准确率。侵检测的准确率。侵检测的准确率。


技术研发人员：赵国新 张博伦 张磊
受保护的技术使用者：北京石油化工学院
技术研发日：2022.08.16
技术公布日：2022/11/15