• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于ISSA-LightGBM 的工控入侵檢測研究

    2023-11-06 12:34:48趙志達王華忠
    關鍵詞:工控麻雀適應度

    趙志達, 王華忠

    (華東理工大學能源化工過程智能制造教育部重點實驗室, 上海 200237)

    工控系統(tǒng)(ICS)是國家關鍵基礎設施的重要組成部分[1],在確保煉油、化工、電力、食品、水廠、交通、制藥等生產(chǎn)與服務系統(tǒng)穩(wěn)定運行上起著重要的保障作用[2]。隨著信息技術(IT)與工業(yè)控制網(wǎng)絡的不斷融合[3],關鍵基礎設施控制系統(tǒng)已成為互聯(lián)網(wǎng)的一部分,更容易受到各種網(wǎng)絡攻擊。ICS 的異常或崩潰可能帶來經(jīng)濟損失、環(huán)境破壞甚至人員生命損失[4],加強ICS 的網(wǎng)絡安全防護十分重要[5]。

    工控系統(tǒng)的常見網(wǎng)絡攻擊包括拒絕服務(DOS)攻擊、虛假數(shù)據(jù)注入(FDI)攻擊、偵察攻擊、重放攻擊等,而入侵檢測可以主動監(jiān)控網(wǎng)絡流量和主機等設備,發(fā)現(xiàn)并阻止網(wǎng)絡攻擊[6]。隨著人工智能技術的發(fā)展,機器學習在入侵檢測中的應用越來越廣泛[7],然而,工控系統(tǒng)會產(chǎn)生大量的非線性高維數(shù)據(jù)。傳統(tǒng)的機器學習方法,如K 最鄰近法(KNN)、支持向量機(SVM)等,雖然算法簡單、訓練時間短,但是檢測準確率相對較低,而且在處理這些工控數(shù)據(jù)之前需要進行復雜的數(shù)據(jù)預處理以及人為的特征提取,這需要依靠豐富的經(jīng)驗和大量的實踐。卷積神經(jīng)網(wǎng)絡(CNN)、長短期記憶網(wǎng)絡(LSTM)等深度學習方法雖然可以避免復雜的數(shù)據(jù)預處理,且具有較高的準確性,但會消耗大量計算資源,且訓練時間長,參數(shù)調(diào)整困難。

    近年來,很多研究人員將機器學習算法應用到入侵檢測研究,并取得了一定的成果。黃一鳴等[8]提出了一種基于SVM 的工控入侵檢測模型,通過特征增強的方式提高數(shù)據(jù)集的質(zhì)量,改善了模型檢測精度,但是該方法需要進行復雜的特征變換和數(shù)據(jù)預處理。陳漢宇等[9]提出了基于統(tǒng)一計算設備架構(CUDA)的并行化策略,將串行SVM并行化,把復雜的計算過程移植到GPU 上,大大提高了模型訓練速度,但是該方法成本高、靈活性差。Ling 等[10]提出了一種基于雙向簡單循環(huán)單元的入侵檢測模型,使用跳躍連接,通過簡單循環(huán)單元(SRU)神經(jīng)網(wǎng)絡中優(yōu)化的雙向結構,緩解模型中梯度消失問題,該方法雖然降低了訓練時間,但是犧牲了檢測效果。劉會鵬等[11]提出了一種基于堆疊LSTM 的入侵檢測模型,并采用貝葉斯優(yōu)化算法對深度學習超參數(shù)進行尋優(yōu),該方法雖然大大提高了模型檢測性能但是卻占用大量內(nèi)存和時間。Narayana等[12]將入侵檢測分為兩個階段:第1 階段,采用平滑L1 正則化增強自編碼器的稀疏性,學習特征的稀疏表示;第2 階段,使用深度神經(jīng)網(wǎng)絡(DNN)對攻擊進行檢測。由于消除了異常的特征,并通過特征提取降低了特征維數(shù),該模型整體性能優(yōu)于傳統(tǒng)模型。

    LightGBM 是Ke 等[13]在2017 年提出的一種改進的梯度提升決策樹(GBDT)模型,能夠高速準確地處理海量數(shù)據(jù),在工業(yè)環(huán)境中具有良好的應用前景:(1)它支持分類特征的直接輸入,在數(shù)據(jù)預處理階段無需進行one-hot 編碼;(2)它是一種樹模型,無需進行歸一化操作以處理由于輸入變量量綱不同造成的影響;(3)引入EFB 算法進行特征降維,可以省去常規(guī)算法要求的特征提??;(4)支持高效的特征并行和數(shù)據(jù)并行,訓練速度快。

    基于LightGBM 算法處理工業(yè)數(shù)據(jù)的潛在優(yōu)勢,本文提出了一種基于ISSA-LightGBM 的工控系統(tǒng)入侵檢測模型。針對標準麻雀搜索算法的種群多樣性少和跳出局部最優(yōu)解難的問題,提出了一種改進的麻雀搜索算法:(1)引入離散解碼策略;(2)使用反向?qū)W習策略生成初始種群;(3)麻雀位置更新函數(shù)中引入自適應控制步長和收斂因子,使算法具有更優(yōu)的初始種群和全局搜索能力。將改進后的算法用于LightGBM 入侵檢測模型參數(shù)的優(yōu)化,使用密西西比州立大學(MSU)標準工控數(shù)據(jù)集檢測模型的性能,并與其他方法進行比較,驗證了該方法在處理大量工業(yè)數(shù)據(jù)時具有檢測精度高、訓練時間少等優(yōu)勢。

    1 LightGBM

    1.1 LightGBM 基本原理

    LightGBM 是一種GBDT 實現(xiàn),是為解決傳統(tǒng)GBDT 處理大樣本高維數(shù)據(jù)的難題而被提出的。相對于傳統(tǒng)的GBDT 算法,LightGBM 不僅保證了準確率,而且訓練速度更快[14],內(nèi)存消耗更低,并且支持分布式并行,可以快速處理海量數(shù)據(jù)[15],能夠有效解決工控入侵檢測訓練速度慢、占用時間長等問題。LightGBM 的特點和優(yōu)化算法總結如下。

    (1)Leaf-wise 決策樹生長策略

    多數(shù)決策樹算法使用的是低效的level-wise的決策樹生長策略,同一層的葉子節(jié)點不加區(qū)分地進行分裂,由于一些葉子節(jié)點分裂產(chǎn)生的增益較低,給算法帶來了不必要的消耗。與大多數(shù)GBDT 算法不同,LightGBM 采用具有深度限制的高效的leafwise 策略,每次層序遍歷所有當前葉子節(jié)點,僅對增益最大的葉子節(jié)點進行分裂,而不是所有葉子節(jié)點。因此,經(jīng)過相同的分裂次數(shù),leaf-wise 策略產(chǎn)生的誤差更低,準確率和效率也更高。同時為避免leaf-wise 策略生長出深度比較大的決策樹, LightGBM增加了一個最大深度限制,以防止過擬合,能夠有效提高模型預測的魯棒性。level-wise 策略如圖1 所示,leaf-wise 策略如圖2 所示。

    圖1 Level-wise 策略Fig.1 Level-wise algorithm

    圖2 Leaf-wise 策略Fig.2 Leaf-wise algorithm

    (2)直方圖算法

    LightGBM 使用直方圖算法對特征數(shù)據(jù)進行處理,將連續(xù)的特征數(shù)據(jù)離散化為k個整數(shù)作為直方圖的水平坐標,構造一個以k為寬度的直方圖。在遍歷數(shù)據(jù)時,采用直方圖累積統(tǒng)計值,然后根據(jù)離散的特征統(tǒng)計值確定最佳的特征分割點,因此模型特征只需統(tǒng)計1 次,避免了傳統(tǒng)機器學習算法在特征計算時會重復工作的問題。該算法對原始連續(xù)特征值進行分箱,并使用這些分箱來構建模型,大大減少了分割點選擇的時間消耗和內(nèi)存消耗,提高了模型的訓練和預測效率,特別適用于數(shù)據(jù)量大、數(shù)據(jù)維數(shù)高的問題。

    (3)單邊梯度采樣(GOSS)算法

    LightGBM 引入了GOSS 算法,通過減少訓練的數(shù)據(jù)量來提高訓練效率。如果一個訓練樣本的梯度極小,則表明該樣本的訓練誤差極小,訓練已經(jīng)十分完全,但直接舍棄所有這些梯度較小的樣本會降低模型的精度,因此GOSS 算法在減少訓練量和保證精度之間進行了平衡。將用于訓練的數(shù)據(jù)根據(jù)梯度的大小進行排序,并按一定比例劃分為高梯度訓練樣本和低梯度訓練樣本,保留所有高梯度樣本,對低梯度樣本按照一定比例隨機采樣,舍棄其他低梯度樣本。為了防止這樣的數(shù)據(jù)處理對樣本分布產(chǎn)生的影響,算法引入放大系數(shù),將保留的低梯度樣本乘以放大系數(shù)。通過以上這些處理,算法在計算信息增益時會更加關注高梯度也就是訓練不足的樣本,提高了訓練效率。

    (4)互斥特征捆綁(EFB)算法

    與GOSS 算法不同,EFB 算法通過特征提取的方法提高模型訓練的速度。通常的特征提取通過剔除一些無效的特征來降低訓練數(shù)據(jù)的維度,而EFB算法則是通過捆綁互斥的特征來降低訓練數(shù)據(jù)的特征維度。一般情況下,在高維數(shù)據(jù)空間中,數(shù)據(jù)是比較稀疏的,在稀疏的特征空間中,有些特征是互斥的,即這些特征不會同時是非零值,通過將這些互斥的特征捆綁在一起,形成一個單一的特征包,大大降低了模型的計算復雜度。

    此外,LightGBM 算法支持類別特征的直接輸入,不需要進行額外的0 / 1 展開;它支持數(shù)據(jù)并行和特征并行[16]。這些優(yōu)化使LightGBM 算法具有更高的效率。

    1.2 LightGBM 主要超參數(shù)

    在機器學習算法中,模型的分類性能好壞與模型超參數(shù)的選擇有很大的關系,不同超參數(shù)組合的模型其表現(xiàn)有很大的差別。LightGBM 模型有較多的超參數(shù),為了獲得LightGBM 模型的最優(yōu)性能,需要對模型參數(shù)進行優(yōu)化。LightGBM 模型的主要超參數(shù)如表1 所示。

    表1 LightGBM 模型的主要超參數(shù)Table 1 LightGBM main hyperparameters

    不同參數(shù)尋優(yōu)方法得到的最優(yōu)超參數(shù)往往不同,目前常用的有人工搜索法、隨機搜索法、網(wǎng)格搜索法等等。人工搜索法需要手動嘗試各種可能的參數(shù)組合,成本極高且效率低下。網(wǎng)格搜索法采用超參數(shù)所有的可能值進行組合,當超參數(shù)的變量數(shù)和范圍增加時,該方法效率會急速下降。隨機搜索法使用一系列隨機超參數(shù)組合,相對于網(wǎng)格搜索算法成本降低,但在測試新的超參數(shù)組合時,會忽略前一次組合的效果,導致搜索的效率極低。機器學習模型的超參數(shù)優(yōu)化問題是一種黑盒問題,智能優(yōu)化算法是解決此類優(yōu)化問題的十分有效的方法,本文采用改進的麻雀搜索算法進行LightGBM 的超參數(shù)優(yōu)化。

    2 改進麻雀搜索算法(ISSA)

    2.1 麻雀搜索算法(SSA)

    SSA 是Xue 等[17]提出的一種群體智能優(yōu)化算法,受麻雀的群居智慧啟發(fā),參考麻雀的覓食等行為提出的。在SSA 算法中,將麻雀分為生產(chǎn)者、拾荒者和捕食者3 種個體。其中生產(chǎn)者主要為整個種群尋找食物來源,拾荒者則跟隨生產(chǎn)者拾取食物,捕食者負責監(jiān)視覓食的區(qū)域。在覓食過程中,不斷更新三者位置,完成食物的獲取。

    在算法中,通過個體模擬麻雀尋找食物。由所有個體組成的種群位置X可由式(1)的矩陣表示:

    其中:n表示麻雀種群的數(shù)量;d表示待優(yōu)化變量的維度。

    所有個體對應的適應度函數(shù)FX可由式(2)的向量表示:

    其中FX每一行的函數(shù)表示每個個體的適應度值。

    2.1.1 生產(chǎn)者位置更新 在SSA 中,適應度較優(yōu)的生產(chǎn)者在搜索過程中優(yōu)先覓食,同時,生產(chǎn)者需要為拾荒者尋找食物并引導拾荒者的流動,因此生產(chǎn)者比拾荒者在更廣的范圍內(nèi)尋找食物。生產(chǎn)者的位置更新公式如式(3)所示:

    其中:t表示迭代次數(shù);j=1,2,...,d;表示第i只適應度較好的麻雀在迭代時的第j維值; α ∈[0,1] ;itermax表示最大迭代次數(shù);R2(R2∈[0,1]) 和ST(ST ∈[0.5, 1.0])分別表示報警值和安全閾值;Q是服從正態(tài)分布的隨機數(shù),L是 1×d的全1 矩陣。當R2<ST時,意味著周圍沒有危險,生產(chǎn)者可以廣泛搜索食物;當R2≥ST 時,說明麻雀意識到了危險,需飛到安全區(qū)域。

    2.1.2 拾荒者位置更新 拾荒者的位置更新公式如式(4)所示:

    2.1.3 捕食者位置更新 根據(jù)算法的設定,捕食者占種群比例的10%~20%。捕食者的位置更新公式如式(5)所示:

    2.2 ISSA 算法的實現(xiàn)

    2.2.1 離散策略的引入 標準的SSA 算法用來解決連續(xù)優(yōu)化相關問題,不適合用來解決離散優(yōu)化問題。LightGBM 模型的主要超參數(shù)中存在數(shù)據(jù)類型是整形的,賦予超參數(shù)上下界的限制后,其可能的取值是有限的,數(shù)據(jù)是離散的。在更新麻雀位置的過程中存在參數(shù)有小數(shù)的問題,為了解決此問題,本文在算法中加入了離散策略。每只麻雀個體是一個1×9 的向量,前6 個變量對應非整型的超參數(shù),采用改進麻雀搜索算法的位置更新方式進行迭代;后3 個變量對應整型的超參數(shù),在麻雀位置更新后,引入離散解碼策略,該策略的解碼過程如圖3 所示。

    圖3 離散超參數(shù)解碼過程Fig.3 Discrete hyperparameter decoding process

    2.2.2 種群初始化 反向?qū)W習策略是群智能優(yōu)化的一種改進策略,主要思想是根據(jù)當前群體產(chǎn)生一個反向群體,比較兩個群體的適應度值,擇優(yōu)組成新的群體。針對采取隨機生成初始種群個體的標準麻雀搜索算法,引入反向?qū)W習策略,有助于提高種群多樣性和算法的全局搜索能力。種群初始化步驟如下:

    (1)采用隨機策略生成n個初始麻雀個體。

    (2)生成初始種群的反向種群,反向種群的生成公式如式(6)所示:

    其中:pi,j表示初始種群中第i個個體的第j維值;Ubj和 Lbj分別表示第j維變量范圍的上下限;Pi,j表示反向種群中第i個個體的第j維值。

    (3)對初始種群和反向種群進行整體適應度評估,選取適應度值較優(yōu)的前n個個體作為算法的初始種群。

    2.2.3 改進生產(chǎn)者位置更新方式 標準SSA 算法中,生產(chǎn)者在安全閾值內(nèi)的位置信息會隨著迭代次數(shù)的增加逐漸向更小值逼近,忽視了反方向的位置信息,使算法具有很強的局部搜索能力,用于解決極值點在零點的問題時具有很強的優(yōu)勢,而超參數(shù)的搜索空間一般都大于零。為了解決上述問題,本文去除了其收斂于零的部分,增加一個正態(tài)分布隨機數(shù),使超參數(shù)上下浮動。同時為了保留原收斂因子的特性,設計了正態(tài)分布隨機數(shù)的方差 σ2,如式(7)所示,其中pop 為種群大小。適應度越好,參數(shù)浮動就越??;適應度越差,參數(shù)浮動就越大,有助于平衡算法的全局和局部搜索能力。

    在SSA 算法中,生產(chǎn)者在安全閾值外位置信息的控制步長為0~1 的數(shù),然而不同超參數(shù)的上下界差異過大,采用相同的控制步長會錯過一些重要的位置信息。因此,本文引入了自適應步長K,如式(8)所示,每個變量的控制步長由變量的范圍決定。

    改進后的生產(chǎn)者位置更新如式(9)所示:

    3 基于ISSA 優(yōu)化LightGBM 超參數(shù)的入侵檢測模型

    本文構建了基于ISSA-LightGBM 的工控入侵檢測模型。選擇LightGBM 模型作為入侵檢測的分類模型,采用改進的麻雀搜索算法通過驗證集的準確率高低對LightGBM 模型的超參數(shù)進行持續(xù)的迭代調(diào)整,將優(yōu)化后得到的最優(yōu)超參數(shù)用于構建LightGBM模型,最后將訓練集輸入給LightGBM 進行模型訓練,得到最優(yōu)分類模型,用以檢測工控系統(tǒng)中的攻擊。建立基于ISSA-LightGBM 入侵檢測模型的流程如圖4 所示。

    圖4 ISSA-LightGBM 入侵檢測模型流程圖Fig.4 Flow chart of ISSA-LightGBM intrusion detection model

    建立基于ISSA-LightGBM 的入侵檢測模型具體步驟如下:

    (1)數(shù)據(jù)劃分。將原始數(shù)據(jù)集按照7∶1∶2 的比例隨機抽取,劃分為訓練集、驗證集、測試集。訓練集用于訓練模型;驗證集用于在模型超參數(shù)的優(yōu)化過程中評價模型的適應度值;測試集則用于評估最終模型的檢測性能。

    (2)參數(shù)初始化。初始化ISSA 參數(shù)(種群大小、迭代次數(shù)等),確定LightGBM 待優(yōu)化的超參數(shù)的范圍,初始化LightGBM 模型的其他超參數(shù)。

    (3)初始化種群。采用反向?qū)W習策略生成麻雀的初始種群。

    (4)位置更新。根據(jù)式(9)、式(4)、式(5)更新麻雀種群的位置信息。

    (5)離散數(shù)據(jù)解碼。根據(jù)離散解碼策略對種群位置信息的后3 個變量進行解碼。

    (6)計算適應度。計算新種群的適應度值,并與上一代進行比較,更新最佳適應度和最佳位置。

    (7)判斷麻雀種群的最佳適應度值。如果滿足終止條件,則停止迭代;否則,返回步驟(4)重新開始迭代。

    (8)保存并輸出ISSA 的優(yōu)化結果。最優(yōu)的麻雀位置信息被用作表格1 中的LightGBM 超參數(shù)。

    (9)采用最優(yōu)超參數(shù)建立基于LightGBM 的入侵檢測模型,并用測試集進行驗證,計算各項性能指標并輸出。

    4 實例分析

    4.1 實驗環(huán)境和數(shù)據(jù)集

    本文實驗在Intel(R) Core(TM) i7-4720HQ CPU @2.60 GHz 和Windows10 64 位操作系統(tǒng)的設備上進行,運行環(huán)境為python 3.0。為驗證本文所提方法的檢測效果,使用密西西比州立大學在2014 年提出的天然氣管道標準工業(yè)數(shù)據(jù)集[18]。該數(shù)據(jù)集是從基于Modbus-TCP 通信協(xié)議的天然氣管道ICS 中收集。數(shù)據(jù)集包含正常數(shù)據(jù)樣本和7 類攻擊數(shù)據(jù)樣本共97 019 條,其中正常數(shù)據(jù)61 156 條,攻擊數(shù)據(jù)35 863條,具體如表2 所示。

    表2 天然氣管道數(shù)據(jù)集的描述[18]Table 2 Description of natural gas pipeline dataset[18]

    為了充分驗證本文所提算法的檢測效果,選擇全部原始數(shù)據(jù)集作為實驗數(shù)據(jù),且不預先進行任何特征處理或非平衡數(shù)據(jù)處理。將實驗數(shù)據(jù)按照比例劃分為訓練集、驗證集和測試集,其中訓練樣本67 910條,約占70%,驗證樣本9 701 條,約占10%,測試樣本19 408 條,約占20%。數(shù)據(jù)集的每個樣本都由26 個特征屬性和1 個類別標簽組成。

    4.2 評價指標

    準確率(ACC)可以評估系統(tǒng)的整體性能,誤報率(FPR)表示正常流量的錯誤分類,漏報率(FNR)表示異常流量的錯誤分類,它們的定義分別如式(10)~(12)所示。本文選擇這3 個評價指標來與其他入侵檢測模型的性能進行對比。

    其中:TP 表示攻擊數(shù)據(jù)的識別數(shù);TN 表示正常數(shù)據(jù)的識別數(shù);FP 表示正常數(shù)據(jù)識別為攻擊數(shù)據(jù)的樣本數(shù);FN 表示攻擊數(shù)據(jù)識別為正常數(shù)據(jù)的樣本數(shù)。

    4.3 結果分析

    4.3.1 ISSA 性能評估 為了評估ISSA 參數(shù)尋優(yōu)的性能,本文將該算法與基于粒子群算法(PSO)、基于鯨魚優(yōu)化算法(WOA)和基于SSA 算法搭建的LightGBM 入侵檢測模型進行了比較。由于優(yōu)化算法每次迭代的每個個體的適應度評價都需要進行建模,為提高效率,在測試優(yōu)化算法性能的實驗中,本文隨機均勻地選擇10%的數(shù)據(jù)作為實驗數(shù)據(jù)來測試。在每次實驗中,種群大小設置為30,迭代次數(shù)30 次。PSO 算法的參數(shù)c1=c2=1.5,ω=0.73 ,WOA算法的參數(shù) α 從2 線性遞減到0。每種模型獨立運行30 次,然后取平均結果,實驗結果如表3 所示。迭代過程中各算法的適應度收斂曲線如圖5 所示。

    從表3 可以看出,總體上LightGBM 模型都具有良好的檢測精度,而ISSA 算法搜索到的參數(shù)可以更好地優(yōu)化LightGBM 模型,其入侵檢測的準確率為98.92%,誤報率為0.67%,漏報率為1.77%,檢測精度比其他算法都好,誤報率和漏報率也更低,優(yōu)化所耗費的時間也最少。與SSA-LightGBM 算法相比,ISSA-LightGBM 算法準確率提高0.14%,檢測時間減少約25 s。從圖5 可以看出,ISSA 算法最優(yōu)適應度和收斂速度均優(yōu)于其他算法,雖然在迭代初期,SSA 收斂較快,但由于初始種群的優(yōu)化,在后續(xù)迭代中,ISSA 算法的適應度值均高于其他算法,同時在第8 次迭代時跳出局部最優(yōu)區(qū)域,達到更高的檢測精度,這說明本文改進的策略有效提高了SSA 算法跳出局部最優(yōu)的能力。通過ISSA 算法尋優(yōu)得到的LightGBM 模型最優(yōu)超參數(shù)如表4 所示。

    表4 ISSA-LightGBM 模型的最優(yōu)超參數(shù)Table 4 Optimal hyperparameters of ISSA-LightGBM model

    4.3.2 ISSA-LightGBM 入侵檢測模型檢測效果分析 為了評估本文所提算法在工控入侵檢測多分類問題中的性能,采用在表4 中通過ISSA 算法尋優(yōu)得到的最優(yōu)超參數(shù)建立基于LightGBM 的工控入侵檢測模型。選取全部97 019 條數(shù)據(jù)作為實驗數(shù)據(jù),得到了該模型的混淆矩陣如圖6 所示。

    圖6 ISSA-LightGBM 模型的混淆矩陣Fig.6 Confusion matrix of ISSA-LightGBM model

    從圖6 中的混淆矩陣可以看出,本文模型的整體性能十分良好,能夠準確有效地識別出絕大多數(shù)的攻擊。部分正常樣本被誤報為標簽為1、2、4 類型的攻擊,同時部分標簽為1、2、4 類型的攻擊被識別為正常數(shù)據(jù),為更準確地驗證本文所提模型用于工控系統(tǒng)入侵檢測的有效性,實驗未對數(shù)據(jù)集進行任何數(shù)據(jù)預處理。通過對訓練集的分析發(fā)現(xiàn),出現(xiàn)此問題的原因包括兩個方面:(1)正常數(shù)據(jù)中存在一些噪聲,導致了正常樣本的誤報;(2)這幾種攻擊樣本數(shù)量較少,樣本的不平衡性導致攻擊的漏報。盡管如此,本文所提的模型仍表現(xiàn)出了極好的檢測性能。

    4.3.3 不同機器學習方法比較 為了更全面地評估模型的檢測性能,將本文的入侵檢測模型(ISSALGB)與KNN、SVM、文獻[9]中的CNN 和文獻[10]中的SLSTM 共5 種工控入侵檢測模型進行對比實驗,對比結果如表5 所示。從表5 中可以看出,本文所提算法模型的檢測性能最好,準確率高達98.93%,誤報率和漏報率低至0.85%、1.45%,遠好于傳統(tǒng)的機器學習算法,不弱于深度學習算法。模型對近10 萬條數(shù)據(jù)進行訓練建模與分類預測,總共耗費時間為6.05 s。在分類準確率上,本文與文獻[10]十分接近,但為更準確地驗證模型性能,本文全部采用原始數(shù)據(jù)集,而文獻[10]采用SMOTE 算法進行了不平衡數(shù)據(jù)處理。同時本文用于訓練與檢測的數(shù)據(jù)量是文獻[10]中數(shù)據(jù)的近6 倍,是其他模型的近10 倍,雖然文獻[10]中的檢測時間加上了模型參數(shù)優(yōu)化的時間,但本文模型的檢測時間遠小于其模型,在檢測時間上具有極大的優(yōu)勢。實驗結果驗證了本文算法能夠在保證較高的分類準確率以及較低的誤報率、漏報率的同時,擁有較短的訓練和預測時間,能夠很好地滿足工業(yè)控制系統(tǒng)的實時性要求。

    表5 模型性能對比Table 5 Model performance comparison

    圖7 示出了本文算法模型與對比算法模型對各類攻擊數(shù)據(jù)的檢測性能圖。從圖7 可以看出,各類算法識別正常和攻擊數(shù)據(jù)都有較好的檢測效果,但是對NMRI、MSCI、MFCI 的識別效果不佳。本文所建立的模型對所有攻擊都有較高的識別率,具有很好的可靠性。對于7 種攻擊樣本,本文模型的識別準確率均最高,尤其對于來自NMRI、MSCI、MFCI 的攻擊,本文模型比其他算法具有極其明顯的優(yōu)勢和十分可靠的安全性能。

    圖7 各類攻擊檢測性能Fig.7 Detection performance of various attacks

    5 結束語

    本文針對工控網(wǎng)絡入侵檢測在處理海量數(shù)據(jù)時高精度和高實時性的要求,提出了一種基于ISSALightGBM 的入侵檢測模型。ISSA 引入離散策略保證了參數(shù)的合法性,同時改進了初始種群和麻雀的位置更新函數(shù),提高了種群多樣性,增強了全局搜索能力,以獲取LightGBM 最優(yōu)超參數(shù)。將超參數(shù)優(yōu)化后的ISSA-LightGBM 入侵檢測模型與其他基于傳統(tǒng)機器學習和基于深度學習的入侵檢測算法進行了對比實驗,結果表明,本文算法無需復雜的數(shù)據(jù)預處理,不僅可以更加高效處理海量工控網(wǎng)絡數(shù)據(jù),而且具有更好的檢測性能。

    猜你喜歡
    工控麻雀適應度
    改進的自適應復制、交叉和突變遺傳算法
    計算機仿真(2022年8期)2022-09-28 09:53:02
    拯救受傷的小麻雀
    1958年的麻雀
    麻雀
    趣味(語文)(2018年2期)2018-05-26 09:17:55
    工控速派 一個工控技術服務的江湖
    工控速浱 一個工控技術服務的江湖
    熱點追蹤 工控安全低調(diào)而不失重要
    基于空調(diào)導風板成型工藝的Kriging模型適應度研究
    中國塑料(2016年11期)2016-04-16 05:26:02
    基于攻擊圖的工控系統(tǒng)脆弱性量化方法
    自動化學報(2016年5期)2016-04-16 03:38:47
    緊盯著窗外的麻雀
    山東青年(2016年1期)2016-02-28 14:25:22
    av欧美777| 非洲黑人性xxxx精品又粗又长| 最新在线观看一区二区三区| 麻豆一二三区av精品| 99视频精品全部免费 在线| 精品免费久久久久久久清纯| 久久99热6这里只有精品| 免费观看精品视频网站| 欧美三级亚洲精品| 亚洲熟妇中文字幕五十中出| 亚洲国产色片| 久久久精品大字幕| 99久久久亚洲精品蜜臀av| 久久久久久久久大av| 久久久久久久精品吃奶| 国产精品久久电影中文字幕| 伊人久久精品亚洲午夜| 午夜福利欧美成人| 国产精品久久久久久人妻精品电影| 亚洲精品456在线播放app | 人人妻人人看人人澡| 国内精品美女久久久久久| 精品一区二区免费观看| 久久久久国内视频| 又黄又爽又刺激的免费视频.| 亚洲经典国产精华液单 | 国产aⅴ精品一区二区三区波| 少妇高潮的动态图| www.色视频.com| 久久久久久久精品吃奶| www.熟女人妻精品国产| 亚洲人成网站在线播放欧美日韩| 他把我摸到了高潮在线观看| 毛片女人毛片| 欧美潮喷喷水| 免费看a级黄色片| 综合色av麻豆| 性欧美人与动物交配| 18+在线观看网站| 日韩人妻高清精品专区| 久久久精品欧美日韩精品| 国产成人av教育| av专区在线播放| 我的老师免费观看完整版| 亚洲av美国av| 精品人妻熟女av久视频| 波多野结衣巨乳人妻| 国内少妇人妻偷人精品xxx网站| 五月玫瑰六月丁香| 亚洲成人久久爱视频| 国产精品电影一区二区三区| 又粗又爽又猛毛片免费看| 色哟哟·www| 亚洲人成电影免费在线| 亚洲av中文字字幕乱码综合| 午夜影院日韩av| 舔av片在线| 99久久精品国产亚洲精品| 中文字幕高清在线视频| 婷婷精品国产亚洲av在线| 色综合站精品国产| 女人被狂操c到高潮| 久久久久免费精品人妻一区二区| 亚洲自拍偷在线| 观看美女的网站| 男人狂女人下面高潮的视频| 久久国产精品影院| АⅤ资源中文在线天堂| 免费在线观看成人毛片| 又黄又爽又免费观看的视频| 少妇丰满av| 91久久精品国产一区二区成人| 老司机福利观看| 欧美日韩瑟瑟在线播放| www.色视频.com| 一边摸一边抽搐一进一小说| 看免费av毛片| 2021天堂中文幕一二区在线观| 免费大片18禁| 特大巨黑吊av在线直播| 亚洲人成网站在线播放欧美日韩| 国产三级黄色录像| 国产成人欧美在线观看| 757午夜福利合集在线观看| 中文字幕人成人乱码亚洲影| 日韩欧美精品免费久久 | 久久久久久大精品| 最新在线观看一区二区三区| 久久国产精品影院| 女生性感内裤真人,穿戴方法视频| bbb黄色大片| 色综合婷婷激情| 日本五十路高清| 免费观看人在逋| 婷婷丁香在线五月| 成人特级黄色片久久久久久久| 国产精品一区二区三区四区久久| xxxwww97欧美| 国语自产精品视频在线第100页| www.色视频.com| 毛片女人毛片| 夜夜躁狠狠躁天天躁| 网址你懂的国产日韩在线| 精品一区二区三区人妻视频| 成人三级黄色视频| 变态另类丝袜制服| 国产高清有码在线观看视频| 美女高潮的动态| 夜夜夜夜夜久久久久| www.熟女人妻精品国产| 国内精品一区二区在线观看| 久久99热这里只有精品18| 午夜免费激情av| 日韩大尺度精品在线看网址| 国产精品久久久久久亚洲av鲁大| 69av精品久久久久久| 日本在线视频免费播放| 两个人的视频大全免费| 国产精品女同一区二区软件 | 亚洲欧美日韩东京热| 美女大奶头视频| 老鸭窝网址在线观看| 国产在线精品亚洲第一网站| 日韩精品青青久久久久久| 欧美一区二区亚洲| 久久久久精品国产欧美久久久| 999久久久精品免费观看国产| 亚洲内射少妇av| 亚洲人成伊人成综合网2020| av天堂中文字幕网| 国产精品日韩av在线免费观看| 久久99热6这里只有精品| 国产精品国产高清国产av| 亚洲精品日韩av片在线观看| 久久久成人免费电影| 波多野结衣巨乳人妻| 午夜日韩欧美国产| 日本五十路高清| ponron亚洲| 日韩中字成人| 麻豆国产av国片精品| 中文字幕av在线有码专区| 自拍偷自拍亚洲精品老妇| 成人午夜高清在线视频| 亚洲在线观看片| 波多野结衣高清无吗| 最近中文字幕高清免费大全6 | 两人在一起打扑克的视频| 成人高潮视频无遮挡免费网站| 香蕉av资源在线| 国产真实乱freesex| 搡老熟女国产l中国老女人| avwww免费| 毛片女人毛片| 熟妇人妻久久中文字幕3abv| 国产精品一区二区三区四区久久| 夜夜夜夜夜久久久久| 国语自产精品视频在线第100页| 波多野结衣高清作品| 99久久精品国产亚洲精品| 网址你懂的国产日韩在线| 日本精品一区二区三区蜜桃| 老司机午夜福利在线观看视频| 欧美最新免费一区二区三区 | 亚洲天堂国产精品一区在线| av天堂在线播放| 日韩av在线大香蕉| 99久久精品一区二区三区| 日韩成人在线观看一区二区三区| 真人一进一出gif抽搐免费| 好看av亚洲va欧美ⅴa在| 一区福利在线观看| 一级黄片播放器| 成人国产综合亚洲| 亚洲av日韩精品久久久久久密| 蜜桃亚洲精品一区二区三区| 国产爱豆传媒在线观看| 国产精品久久视频播放| 好看av亚洲va欧美ⅴa在| 丰满的人妻完整版| 女人被狂操c到高潮| 国产视频一区二区在线看| 久久久久久久午夜电影| 亚洲第一电影网av| 午夜免费成人在线视频| 国产精品嫩草影院av在线观看 | 欧美日韩综合久久久久久 | 亚洲aⅴ乱码一区二区在线播放| 国产色爽女视频免费观看| 欧美又色又爽又黄视频| 日本一二三区视频观看| 一本综合久久免费| 国产精品免费一区二区三区在线| 欧美成人免费av一区二区三区| 亚洲电影在线观看av| 黄色视频,在线免费观看| 又爽又黄a免费视频| 欧美+亚洲+日韩+国产| 久久久久久久精品吃奶| 91在线观看av| 国产欧美日韩精品亚洲av| 男人狂女人下面高潮的视频| 大型黄色视频在线免费观看| 嫁个100分男人电影在线观看| netflix在线观看网站| 久久99热这里只有精品18| 狂野欧美白嫩少妇大欣赏| 婷婷亚洲欧美| 一个人免费在线观看的高清视频| 黄色丝袜av网址大全| 亚洲精品在线观看二区| 最后的刺客免费高清国语| 亚洲中文日韩欧美视频| 亚洲18禁久久av| 亚洲第一欧美日韩一区二区三区| 欧美三级亚洲精品| 亚洲av第一区精品v没综合| 国内精品久久久久精免费| 日韩欧美精品v在线| 日本一二三区视频观看| 网址你懂的国产日韩在线| 欧美一区二区国产精品久久精品| 又黄又爽又刺激的免费视频.| 亚洲自拍偷在线| 午夜精品在线福利| 变态另类成人亚洲欧美熟女| 最近中文字幕高清免费大全6 | 天天一区二区日本电影三级| 亚洲av电影在线进入| av黄色大香蕉| 深夜a级毛片| 美女cb高潮喷水在线观看| 欧美绝顶高潮抽搐喷水| 欧美一区二区国产精品久久精品| 尤物成人国产欧美一区二区三区| av国产免费在线观看| 国产淫片久久久久久久久 | 美女xxoo啪啪120秒动态图 | 嫩草影院新地址| 人妻丰满熟妇av一区二区三区| 五月伊人婷婷丁香| 日韩 亚洲 欧美在线| 欧美最新免费一区二区三区 | av专区在线播放| 久久婷婷人人爽人人干人人爱| 很黄的视频免费| 亚洲 欧美 日韩 在线 免费| 性插视频无遮挡在线免费观看| 亚洲中文日韩欧美视频| 日韩欧美三级三区| 国产av一区在线观看免费| 国产野战对白在线观看| 国产成人aa在线观看| 小说图片视频综合网站| av视频在线观看入口| 赤兔流量卡办理| 他把我摸到了高潮在线观看| 免费黄网站久久成人精品 | 三级毛片av免费| 欧美中文日本在线观看视频| 好男人在线观看高清免费视频| 亚洲欧美日韩高清在线视频| 色哟哟哟哟哟哟| 精品久久久久久久久av| 国产伦人伦偷精品视频| 亚洲成人久久爱视频| 中文字幕久久专区| 欧美区成人在线视频| 亚洲狠狠婷婷综合久久图片| 中文在线观看免费www的网站| 欧美区成人在线视频| 在线免费观看的www视频| 非洲黑人性xxxx精品又粗又长| 看片在线看免费视频| 女同久久另类99精品国产91| 丰满人妻一区二区三区视频av| 极品教师在线视频| 亚洲成人精品中文字幕电影| 日本撒尿小便嘘嘘汇集6| 亚洲中文字幕日韩| 性色avwww在线观看| 国内精品一区二区在线观看| 亚洲av一区综合| 成人欧美大片| 一二三四社区在线视频社区8| 如何舔出高潮| 日韩中文字幕欧美一区二区| 日韩高清综合在线| 国产精品98久久久久久宅男小说| 亚洲av熟女| 99久久99久久久精品蜜桃| 日本 av在线| 一级黄片播放器| 在线天堂最新版资源| 99国产精品一区二区蜜桃av| 亚洲国产精品合色在线| 免费观看人在逋| 成人精品一区二区免费| 精品乱码久久久久久99久播| 亚洲美女搞黄在线观看 | 赤兔流量卡办理| 精品乱码久久久久久99久播| 欧美高清性xxxxhd video| 亚洲真实伦在线观看| 99在线视频只有这里精品首页| 久久国产精品影院| 嫩草影院入口| 亚洲经典国产精华液单 | 国产精品乱码一区二三区的特点| 俄罗斯特黄特色一大片| 色综合婷婷激情| 国产av不卡久久| 黄色丝袜av网址大全| 国产不卡一卡二| 最新在线观看一区二区三区| 2021天堂中文幕一二区在线观| 亚洲成人久久爱视频| 欧美日韩综合久久久久久 | 国产亚洲精品久久久com| 一本综合久久免费| 乱人视频在线观看| 小蜜桃在线观看免费完整版高清| 变态另类丝袜制服| 免费在线观看日本一区| 十八禁网站免费在线| 午夜久久久久精精品| 一区福利在线观看| 国产久久久一区二区三区| 日韩中字成人| 亚洲av电影不卡..在线观看| 最新中文字幕久久久久| 欧美中文日本在线观看视频| 深夜a级毛片| 麻豆av噜噜一区二区三区| 日韩精品青青久久久久久| 久久久国产成人免费| 成年女人看的毛片在线观看| 欧美乱妇无乱码| 中文亚洲av片在线观看爽| 中国美女看黄片| 网址你懂的国产日韩在线| 一夜夜www| 欧美日韩国产亚洲二区| 俄罗斯特黄特色一大片| 国产午夜精品论理片| a级毛片免费高清观看在线播放| 久久人妻av系列| 国产伦精品一区二区三区视频9| 老司机福利观看| 亚洲国产精品sss在线观看| 午夜激情欧美在线| 在线观看66精品国产| 在线观看一区二区三区| а√天堂www在线а√下载| 内地一区二区视频在线| 日韩精品青青久久久久久| 精品免费久久久久久久清纯| 欧美极品一区二区三区四区| 精品不卡国产一区二区三区| 黄片小视频在线播放| 精品欧美国产一区二区三| 老女人水多毛片| 在线观看av片永久免费下载| 搡老妇女老女人老熟妇| 亚洲avbb在线观看| av天堂中文字幕网| 90打野战视频偷拍视频| 久久久国产成人精品二区| 白带黄色成豆腐渣| 少妇的逼好多水| 亚洲一区高清亚洲精品| 亚洲中文字幕一区二区三区有码在线看| 少妇裸体淫交视频免费看高清| 在线国产一区二区在线| 美女xxoo啪啪120秒动态图 | 久久天躁狠狠躁夜夜2o2o| 国产白丝娇喘喷水9色精品| 69av精品久久久久久| 天天一区二区日本电影三级| 91在线精品国自产拍蜜月| 特级一级黄色大片| 久久久久久久精品吃奶| 国产白丝娇喘喷水9色精品| 色播亚洲综合网| 国产精品一区二区三区四区免费观看 | 91九色精品人成在线观看| 亚洲性夜色夜夜综合| 国产熟女xx| 一级毛片久久久久久久久女| 国产精品一区二区三区四区免费观看 | 在线观看av片永久免费下载| 欧美日韩福利视频一区二区| 国产三级中文精品| 欧美丝袜亚洲另类 | 嫩草影院精品99| 在线播放无遮挡| 99国产综合亚洲精品| 国产伦一二天堂av在线观看| 久久6这里有精品| 少妇高潮的动态图| 性色avwww在线观看| 亚洲电影在线观看av| 国产精品嫩草影院av在线观看 | 久久人人精品亚洲av| 欧美3d第一页| 欧美bdsm另类| 日本在线视频免费播放| 亚洲精品色激情综合| 亚洲美女搞黄在线观看 | 亚洲,欧美,日韩| АⅤ资源中文在线天堂| 怎么达到女性高潮| 国产亚洲欧美在线一区二区| 国产午夜精品论理片| 嫩草影院新地址| 久久久久国产精品人妻aⅴ院| 老鸭窝网址在线观看| 欧美日韩综合久久久久久 | 国产日本99.免费观看| 日本与韩国留学比较| 婷婷丁香在线五月| 色综合亚洲欧美另类图片| 日本一本二区三区精品| 国产一区二区在线av高清观看| 成人精品一区二区免费| 搡老妇女老女人老熟妇| 婷婷精品国产亚洲av| a在线观看视频网站| av在线蜜桃| 亚洲人与动物交配视频| 午夜福利18| 亚洲人成网站在线播| 香蕉av资源在线| 天堂网av新在线| 亚洲av日韩精品久久久久久密| 91九色精品人成在线观看| 免费观看人在逋| 伦理电影大哥的女人| 国模一区二区三区四区视频| 精品不卡国产一区二区三区| 麻豆国产av国片精品| 精品一区二区三区视频在线观看免费| 午夜精品在线福利| 中文字幕av成人在线电影| 桃色一区二区三区在线观看| 五月伊人婷婷丁香| 久久国产精品人妻蜜桃| 色综合站精品国产| 黄色配什么色好看| 男人的好看免费观看在线视频| 麻豆久久精品国产亚洲av| 国产中年淑女户外野战色| 亚洲国产精品sss在线观看| 亚洲精品乱码久久久v下载方式| 毛片女人毛片| 人妻夜夜爽99麻豆av| 老司机午夜十八禁免费视频| 美女免费视频网站| 久久草成人影院| 日韩欧美一区二区三区在线观看| 亚洲在线观看片| 久久久久久大精品| 成人国产综合亚洲| 一区二区三区免费毛片| 一进一出抽搐gif免费好疼| 色视频www国产| 国内揄拍国产精品人妻在线| 久久久精品大字幕| 美女xxoo啪啪120秒动态图 | 成人av在线播放网站| 国产三级在线视频| 久久精品国产亚洲av天美| 国产精品一区二区三区四区久久| 中文资源天堂在线| 久久天躁狠狠躁夜夜2o2o| 两个人的视频大全免费| 首页视频小说图片口味搜索| www.色视频.com| 看免费av毛片| 一级毛片久久久久久久久女| 在线观看66精品国产| 久久久国产成人免费| 人人妻人人澡欧美一区二区| 亚洲不卡免费看| 十八禁网站免费在线| 国产午夜精品论理片| 亚洲精品影视一区二区三区av| 亚洲一区二区三区色噜噜| 少妇人妻精品综合一区二区 | 日韩有码中文字幕| 97人妻精品一区二区三区麻豆| av黄色大香蕉| 一个人免费在线观看的高清视频| 成年版毛片免费区| 1024手机看黄色片| 日韩成人在线观看一区二区三区| 中文字幕人妻熟人妻熟丝袜美| 国产三级黄色录像| 国产精品国产高清国产av| 嫁个100分男人电影在线观看| 日韩精品青青久久久久久| 午夜福利成人在线免费观看| 久久精品影院6| 国产免费男女视频| 成人无遮挡网站| 久久精品人妻少妇| 内地一区二区视频在线| 女生性感内裤真人,穿戴方法视频| 老司机深夜福利视频在线观看| 在线观看午夜福利视频| 成人国产一区最新在线观看| 精品久久久久久成人av| 国产一区二区在线av高清观看| 两性午夜刺激爽爽歪歪视频在线观看| 国产成人影院久久av| 午夜福利在线在线| 99久久成人亚洲精品观看| 九色成人免费人妻av| 少妇熟女aⅴ在线视频| 国产亚洲精品久久久com| 欧美日本亚洲视频在线播放| 中文在线观看免费www的网站| 九九热线精品视视频播放| 网址你懂的国产日韩在线| 成人av在线播放网站| 精品久久久久久,| 十八禁国产超污无遮挡网站| 免费大片18禁| 国产午夜福利久久久久久| 色视频www国产| 免费av毛片视频| 99久久99久久久精品蜜桃| 亚洲精华国产精华精| 91午夜精品亚洲一区二区三区 | 欧美最新免费一区二区三区 | 亚洲 欧美 日韩 在线 免费| 美女高潮的动态| 免费电影在线观看免费观看| 午夜日韩欧美国产| www.www免费av| 午夜福利在线在线| 国产综合懂色| 超碰av人人做人人爽久久| 亚洲电影在线观看av| 国产69精品久久久久777片| 国产91精品成人一区二区三区| 国产熟女xx| 男插女下体视频免费在线播放| 亚洲真实伦在线观看| 亚洲天堂国产精品一区在线| 一个人免费在线观看的高清视频| 老司机深夜福利视频在线观看| av视频在线观看入口| 国产精品国产高清国产av| 狠狠狠狠99中文字幕| 婷婷亚洲欧美| 久久性视频一级片| 91字幕亚洲| 91麻豆av在线| 婷婷六月久久综合丁香| 亚洲av不卡在线观看| 少妇人妻一区二区三区视频| 老司机午夜福利在线观看视频| 搡女人真爽免费视频火全软件 | 在线观看av片永久免费下载| 国产精品久久电影中文字幕| 综合色av麻豆| 国产视频一区二区在线看| 国产日本99.免费观看| 97超视频在线观看视频| 内射极品少妇av片p| 国产淫片久久久久久久久 | 久久99热6这里只有精品| 88av欧美| 亚洲国产精品合色在线| 精品熟女少妇八av免费久了| 国产免费av片在线观看野外av| 在线播放无遮挡| 亚洲最大成人手机在线| 日韩中字成人| 午夜免费男女啪啪视频观看 | 搡老妇女老女人老熟妇| 91久久精品电影网| 久久伊人香网站| 久久久精品欧美日韩精品| 亚洲第一区二区三区不卡| 老司机午夜福利在线观看视频| 亚洲精品粉嫩美女一区| 欧美最新免费一区二区三区 | 老熟妇仑乱视频hdxx| 日本三级黄在线观看| 美女xxoo啪啪120秒动态图 | 99久久精品国产亚洲精品| 精品午夜福利在线看| 少妇高潮的动态图| 亚洲欧美激情综合另类| 深夜精品福利| 成人国产综合亚洲| 国产中年淑女户外野战色| 亚州av有码| 欧美激情久久久久久爽电影| 午夜激情欧美在线| 精品乱码久久久久久99久播| 成人高潮视频无遮挡免费网站| 熟女人妻精品中文字幕| 亚洲综合色惰| 日本熟妇午夜| 国产精品美女特级片免费视频播放器| 免费av毛片视频| 久久精品国产亚洲av涩爱 | 久久人人精品亚洲av| 国产精品电影一区二区三区| 精品久久久久久久末码| 精品人妻视频免费看| 国产伦精品一区二区三区四那|