基于相關信息熵和CNN-BiLSTM的工業控制系統入侵檢測

摘要：入侵檢測技術旨在有效地檢測網絡中異常的攻擊,對網絡安全至關重要.針對傳統的入侵檢測方法難以從工業控制系統通信數據中提取有效數據特征的問題,提出一種基于相關信息熵和CNN-BiLSTM的入侵檢測模型,該模型將基于相關信息熵的特征選擇和融合的深度學習算法相結合,因此能夠有效去除噪聲冗余,減少計算量,提高檢測精度.首先針對不平衡樣本等問題進行相應預處理,并通過基于相關信息熵的算法進行特征選擇,達到去除噪聲數據和冗余特征的目的;然后分別運用卷積神經網絡(CNN)和雙向長短期記憶神經網絡(BiLSTM)從時間和空間維度提取數據特征,通過多頭注意力機制進行特征融合,進而得出最終檢測結果;最后通過單一變量原則和交叉驗證方式獲得最優的模型.通過與其他傳統入侵檢測方法實驗對比得出:該模型具有更高的準確率(99.21%)和較低的漏報率(0.77%).