[发明专利]一种基于循环神经网络的工业流程异常监控方法

说明书

本发明公开了一种基于循环神经网络的工业流程异常监控方法，适用于循环神经网络模型，方法包括模型训练步骤以及异常监测步骤；循环神经网络模型训练步骤包括：采用原始训练集对第一神经子网络进行训练，获得中间特征值；将第一隐藏状态数据作为第二神经子网络的初始隐藏状态数据，采用中间特征值以及对应的结果数据对第二神经子网络进行训练，获得循环神经网络模型。异常监测步骤包括：采集工业流程中产生的初始工业数据；将初始工业数据输入循环神经网络模型，以使循环神经网络模型输出与初始工业数据对应的事件数据；根据事件数据判断工业流程是否出现异常。本发明有效兼顾循环神经网络模型的构建效率和循环神经网络模型的监控精度。

技术领域

本发明涉及循环神经网络领域，特别是涉及一种基于循环神经网络的工业流程异常监控方法。

背景技术

随着计算机技术与工业互联网的迅速发展，智能制造产业的快速发展传统将加快装备向智能化升级，高档数控机床、工业机器人、智能传感器和控制装备等新兴智能制造装备的研发与产业化速度进一步加快，智能装备制造企业、系统集成和设备服务企业集聚协调发展。

工业互联网的变革打破了传统工控系统(Industrial Control System,ICS) 的封闭环境，融合了云计算、边缘计算、人工智能、大数据、物联网等技术，将生产制造环节与互联网信息系统连接起来，实现资源整合共享、生产智能化与自动化，从而达到降低运营成本、缩短研制周期、提高生产效率等目标[5]。工业互联网包含网络、平台、数据、安全四大体系，既是工业数字化、网络化、智能化转型的基础设施，也是互联网、大数据、人工智能与实体经济深度融合的应用模式，同时也是一种新业态、新产业，将重塑企业形态、供应链和产业链。涉及电子设备生产、轨道交通、装备制造、纺织、钢铁、采矿、电力等诸多国家民生行业与实体经济重点产业，包含大量的业务系统和流程，实现工业互联网中安全、网络、IT移动、工控等各种类型设备对接和控制。

工业互联网安全防护已经成为席卷全球的趋势，成为全球制造业的主要发现方向和战略制高点。当前，智能制造环境下的工控系统也面临了更多新的安全挑战，智能制造控制设备的高危漏洞、进口设备后门、高级持续性威胁(APT)、工业网络病毒以及无线技术应用等安全风险，会带来生产核心数据泄露、生产系统瘫痪等安全威胁，造成财产甚至生命的损失。制造业成为全球攻击者的重要攻击目标，为智能制造业提供可靠的安全防护成为亟待解决的问题。攻击者的行为记录往往分散在不同类型的日志中，可以针对工业互联网众多业务流程进行漏洞探测、暴力破解等攻击，其异常模式占据较长的时间窗口。因此需要有良好的计算模型，去支持相关的安全分析功能，利用机器学习方法进行网络入侵检测，从而在整体上把握工业互联网络空间安全状态。现有技术通过对工业流程产生的数据判断是否异常进行监控从而实现把握工业互联网络空间安全状态，但是现有的监控技术精度与模型构建效率不可兼得。

发明内容

有鉴于现有技术的上述的一部分缺陷，本发明所要解决的技术问题是提供一种基于循环神经网络的工业流程异常监控方法，旨在保证对模型构建效率的同时提高监控精度。

为实现上述目的，本发明公开了一种基于循环神经网络的工业流程异常监控方法，适用于循环神经网络模型，所述方法包括模型训练步骤以及异常监测步骤；

所述循环神经网络模型训练步骤包括：

采用原始训练集对第一神经子网络进行训练，获得中间特征值；其中，所述原始训练集包括工业训练数据和所述工业训练数据对应的结果数据，所述中间特征值包括所述第一神经子网络的第一中间输出数据、第一隐藏状态数据；

将第一隐藏状态数据作为第二神经子网络的初始隐藏状态数据，采用所述中间特征值以及对应的所述结果数据对所述第二神经子网络进行训练，获得所述循环神经网络模型；其中，所述第一神经子网络和所述第二神经子网络的精度和计算量不同；

所述异常监测步骤包括：

采集工业流程中产生的初始工业数据；其中，所述初始工业数据为序列数据；