基于SCSO-GRU模型的工业控制系统网络流量预测方法研究

发布时间：2021-03-31 10:50

　　作为国家关键基础设施的重要组成成分,工业控制系统（Industry Control System,ICS）对工业生产而言至关重要,电力生产和分配、供水和处理等等都依靠工业控制系统实现自动化控制。工业控制网络是整个工控系统最关键的部分,它决定了整个工业控制系统信息是否能够正常稳定地传输和运行。随着工业化与信息化进程的不断交叉融合,工业控制系统开始逐渐采用通用的网络设备和通用的软硬件,由此一来,ICS封闭性被打破。如果工业控制网络流量长时间出现异常,不仅影响工业现场对网络实时性、确定性,而且可能造成严重的安全事故。从可靠性角度来讲,通过预测把握网络流量变化趋势,是工控系统可靠性的基本需求之一;从安全角度来讲,流量预测模型可与工业控制系统的网络异常检测系统相结合,从而提高避免恶意攻击的可能性;从确定性角度来讲,在某些特定的安全控制系统中（如核电厂安全级仪控系统）,相关安全控制行为需要保障确定性需求,在系统安全状况极端恶化时必须在确定时间内完成保护动作,因此对网络通信的确定性有较高的要求。本论文源于国内某设计院提出的从理论建模、仿真等方面对某型安全级数字化仪控系统（Digital Contro... 

【文章来源】：南华大学湖南省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

人脑神经元抽象结构

南华大学硕士学位论文10图2.4是由输入层、隐藏层以及输出层构成的神经网络，其中输入层有三个输入特征1、2和3，它包含了神经网络的输入；隐藏层有四个结点（神经元），它负责对输入的数据进行处理和优化，由于无法在训练集中看到他们，故被称为隐藏层；输出层只有一个结点，它负责产生预测值。图2.4简单人工神经网络2.2.2循环神经网络循环神经网络（RNN），是一种将前一时刻隐藏层的输出作为当前时刻隐藏层的输入的神经网络。在传统神经网络中，上一层和下一层之间是全连接的，每一层内各节之间是无连接的。而RNN能将隐藏层输入和输出在时间维度上关联起来，能记住时间序列相关的一些信息。普通RNN的抽象结构如图2.5所示，其中x表示输入层的输入向量值，s表示隐藏层的向量值（这里隐藏层节点数与向量s的维度相同），U代表输入层和隐藏层之间的权重矩阵，o是输出层的向量值，V是隐藏层和输出层之间的权重矩阵，而W则为隐藏层上一时刻的值作为当前时刻输入的权重矩阵。图2.5RNN抽象结构将图2.5展开如图2.6所示：

RNN 抽象结构


本文编号：3111308