[发明专利]一种基于SVM的虚假数据注入攻击的分类方法

摘要

一种基于SVM的虚假数据注入攻击的分类方法，包括以下步骤：第一步，提取特征数据，从网络化倒立摆系统中采集所需的特征数据；第二步，获取虚假数据，定义所注入的虚假数据的形式，并为虚假数据附上false_label为‑1的标签；第三步，获取测试集与训练集的数据，继续构建数据集，为正常数据附上label为1的标签，将上述数据整合，得到所需训练集和测试集；第四步，通过SVM训练得到模型，最后计算分类的准确率。本发明在对初始数据进行获取后，采用了SVM进行分类，运行速度快，误差小，效率高，很好地解决了网络攻击中虚假数据注入对信息物理系统的影响。

主权项

1.一种基于SVM的虚假数据注入攻击的分类方法，其特征在于，所述方法包括以下步骤：步骤1，特征数据的提取：使用UDP/IP协议通讯，采集网络化倒立摆系统在正常状态下运行的特征数据，所述特征数据包括小车的位移、速度，摆杆的角度以及角速度，定义该四个数据量为一组特征向量；步骤2，虚假数据的定义：从所述特征数据中抽取部分，定义所注入的虚假信息数据为其中e(t)为均值为0，方差为1的高斯白噪声；y是正常运行下的特征数据；ε，μ为自定义的常数；定义该组为虚假攻击产生的数据集，并且在每组篡改的特征向量前附上false_label为‑1的标签；步骤3，训练集与测试集的获取：在其余采集数据的每组特征向量前附上label为1的标签，并定义为正常的数据集；与步骤2中的数据整合，记为训练集train_data_inst，标签为label和false_label的组合，记为train_data_label，定义每组特征向量与其标签的组合为一个样本，记数据集为m*n的矩阵，m表示样本总个数，n表示样本的特征维数，重新获取设备正常运行的数据，随机抽取部分，作为测试集标签为1的样本集合M；随机抽取等量的另一部分数据，更改公式(1)中的ε，μ取值，注入虚假数据，作为测试标签为‑1的样本集合N，整合样本，获得测试集test_data_inst及其标签test_data_label；步骤4，通过训练得到模型：为区分虚假数据与正常数据，引入支持向量机，即SVM，通过对训练集数据的训练获取模型；步骤5，计算分类准确率：测试集数据经过模型的预测后，得到预测的标签，将预测标签与测试集标签进行判别，提取正确分类的标签数，将其与标签总数比较，求得分类的准确率，即：其中，Accuracy为准确率，Right_Predict为正确分类的标签数，testdata_num为标签总数。