一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法

本发明属于工控系统异常检测，涉及一种基于对抗驱动深度支持向量数据描述(adversarial driven deep support vector data description，简称：ad-desvdd)的工控系统异常检测方法。

背景技术：

1、工控系统(industrial control system，简称：ics)是现代工业生产的核心组成部分，其主要功能是对工业过程进行实时监控和控制，确保生产过程的安全、高效和稳定运行。随着工业4.0和工业互联网的发展，ics逐渐从封闭走向开放，面临的安全威胁和挑战也随之增加，而异常检测技术是保障ics安全运行的重要手段。ics异常检测技术通过识别与正常模式不匹配的异常点，实现对系统异常的实时监测与识别，具有高效、精准、可靠的特点。近年来，随着ics的智能化和大数据技术的广泛应用，异常检测技术有助于及时发现系统中的异常行为，提前预警潜在的安全风险，对于保障ics安全运行具有重要意义。

2、深度支持向量数据描述(deep support vector data description，简称：desvdd)是一种新兴的深度单分类网络，由ruff等人于2018年提出。因其结合了深度学习，不但能够有效提取高维复杂数据内在特征，而且训练过程中仅依赖于正常数据，比传统的多分类更适用于处理数据不平衡和未知异常的情况。尽管desvdd在ics异常检测中具有显著优势，但仍面临一些挑战。在实际应用中，ics的异常数据通常非常稀少，在训练过程中完全失去了异常数据类信息，导致模型难以准确描述正常和异常的分割边界。因此，如何探索异常数据对深度单分类网络训练结果的影响是一个亟待解决的问题。

技术实现思路

1、本发明针对传统desvdd在训练过程中未充分考虑与利用异常样本问题，提供一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法。该方法将深度单分类与对抗生成网络相结合，引入对抗学习生成具有异常特征的伪异常样本，并构建约束条件优化单分类模型边界。

2、为了达到上述目的，本发明提供了一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，含有以下步骤：

3、(一)采集工控系统正常工况数据集作为训练数据，利用双向生成对抗网络学习正常工况数据生成伪异常样本数据集其中n是正常样本的个数，m是为异常样本的个数，yi＝g(zi)，g是生成对抗网络中的生成器，zi是均值为0，方差为1随机潜在向量；

4、(二)计算伪异常样本与正常数据中心点c的欧氏距离定义异常过滤器filter(di)对伪异常样本进行筛选，得到筛选后的伪异常样本其中为筛选后的伪异常样本个数；

5、(三)使用自动编码器对正常样本和伪异常样本进行特征提取，综合特征重构误差、正常样本的超球体体积和伪异常样本在超球体边界的投影构造优化目标函数，训练深度支持向量数据描述网络；

6、(四)定义异常得分公式并计算所有正常训练样本的得分按升序排序确定阈值ξ；

7、(五)采集测试数据xt，计算测试数据的异常得分s(xt)，如果s(xt)>ξ则将测试数据xt归为异常类，反之则归为正常类。

8、进一步的，所述步骤(一)中，通过公式(1)-公式(4)训练双向生成对抗网络中的生成器g生成伪异常样本公式(1)-公式(4)的表达式为：

9、

10、

11、

12、

13、式中，g为双向生成对抗网络的生成器，e为双向生成对抗网络的编码器，d为双向生成对抗网络的鉴别器，lgan为生成器和鉴别器组合的联合损失，lae为重构损失，ldist是惩罚项损失，为布尔函数，当条件(·)成立时取值为1，否则取值为0，超参数γ>1用于调节生成数据的范围，c为正常样本的中心，r为正常样本与中心点c的平均欧氏距离；

14、正常样本中心点c通过公式(5)计算，公式(5)的表达式为：

15、

16、平均欧氏距离r通过公式(6)计算，公式(6)的表达式为：

17、

18、进一步的，所述步骤(二)中的伪异常样本与正常数据中心点c的欧氏距离通过公式(7)计算，公式(7)的表达式为：

19、di＝‖yi-c‖  (7)

20、过滤器filter(di)通过公式(8)计算，公式(8)的表达式为：

21、filter(di)＝{r≤di<γ*r}  (8)

22、式中，超参数γ>1；

23、经过上述公式(8)中的过滤器filter(di)对进行处理，筛选出满足条件r≤di<γ*r的即得到筛选后的伪异常样本

24、进一步的，所述步骤(三)中，优化目标函数通过公式(9)表示，公式(9)的表达式为：

25、

26、式中，n和分别为正常样本和伪异常样本的的个数，o为该超球体的中心，xi为正常样本，为伪异常样本，为正常样本xi的重构样本，μ为权衡正常样本与伪异常样本的损失占比，β和λ分别为重构误差和网络正则化的权衡参数，为自动编码器的映射网络，wl为第l层网络的连接权值，l为网络层数，通过求解公式(9)来优化连接权值，‖·‖f是frobenius范数；

27、超球体中心o由正常样本xi和伪异常样本的潜在特征决定，通过公式(10)计算超球体中心o，公式(10)的表达式为：

28、

29、进一步的，所述步骤(四)中，判别异常的异常分数通过公式(11)计算，公式(11)的表达式为：

30、

31、式中，为通过求解公式(10)得到的最优连接权值；

32、阈值ξ通过公式(12)计算，公式(12)的表达式为：

33、

34、式中，s为所有正常训练样本的异常得分的升序排序数组，为向上取整运算符，为获取长度为n的数组s中第95％分位点的值。

35、与现有技术相比，本发明的有益效果在于：

36、本发明提供的一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，基于工控系统过程正常数据样本，将生成对抗学习与深度单分类相结合。利用双向生成对抗网络生成伪异常样本，能够有效生成具有异常特征的样本扩充训练数据集，辅助提高模型的训练效果和性能表现。通过构建约束条件优化单分类模型边界，进一步提高深度单分类模型在异常检测任务中的表现，增强模型的异常检测能力和准确性。

技术特征：

1.一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其特征在于，含有以下步骤：

2.如权利要求1所述的一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其特征在于，所述步骤(一)中，通过公式(1)-公式(4)训练双向生成对抗网络中的生成器g生成伪异常样本公式(1)-公式(4)的表达式为：

3.如权利要求1所述的一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其特征在于，所述步骤(二)中的伪异常样本与正常数据中心点c的欧氏距离

4.如权利要求1所述的一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其特征在于，所述步骤(三)中，优化目标函数通过公式(9)表示，公式(9)的表达式为：&&

5.如权利要求1所述的一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其特征在于，所述步骤(四)中，判别异常的异常得分通过公式(11)计算，公式(11)的表达式为：

技术总结本发明涉及一种基于对抗驱动深度支持向量数据描述的工控系统异常检测方法，其步骤为：通过双向生成对抗网络学习正常样本并生成伪异常样本，设计不同的惩罚项用于约束生成的伪异常样本范围；定义异常过滤器对伪异常样本进行筛选；采用自动编码器对正常样本和伪异常样本进行特征提取，综合特征重构误差、正常样本的超球体体积和伪异常样本在超球体边界的投影构造优化目标函数，训练深度支持向量数据描述网络；构建异常得分与阈值来判断异常。本发明结合了对抗学习与深度单分类，并构建约束条件优化分类边界，解决了在工控系统中异常事件罕见情况下生成伪异常数据以增强分类性能的问题，从而提高了异常检测的准确性和可靠性。技术研发人员：邓晓刚,黎佳妍,杨文洁受保护的技术使用者：中国石油大学（华东）技术研发日：技术公布日：2024/10/10