基于BP神经网络的工业互联网异常数据主动防御研究＊

郑忠斌,王朝栋

（工业互联网创新中心（上海）有限公司，上海 201303）

1 引言

随着工业产业的网络化发展，工业互联网的数据传输规模越来越大，在工业互联网的信息管理和监测中，需要构建工业互联网的数据监测模型，结合工业互联网的数据传输性能，进行工业互联网信道均衡控制和数据加密，进行工业互联网的异常数据检测，提高工业互联网的传输安全性，相关的工业互联网数据加密和异常数据检测方法研究在促进工业互联网的安全性和数据保密性方面具有重要意义[1]。对工业互联网异常数据检测是建立在对工业互联网的数据特征提取和信道均衡控制基础上，结合工业互联网传输信道均衡调度和自适应控制，实现工业互联网的数据加密传输，实现工业互联网的异常数据主动防御[2]。

当期，对工业互联网异常数据主动防御方法主要有级联神经网络控制方法、混沌加密的工业互联网异常数据主动防御方法以及稀疏性特征映射的工业互联网异常数据主动防御方法，结合量化特征编码，实现工业互联网异常数据主动防御[3-7]，文献[8]中提出基于混沌映射的工业互联网异常数据主动防御方法。构建工业互联网异常数据的加密密钥，采用Logistics 混沌映射进行工业互联网异常数据加密过程中的相空间结构重组，在重构的相空间中进行工业互联网异常数据加密，但该方法进行异常数据主动防御的自适应性不好，特征辨识度不高。文献[9]中提出基于统计特征分析的工业互联网异常数据加密，建立工业互联网异常数据的加密和解密协议，结合混沌特征分布式重构，实现数据加密和异常数据的主动检测防御，但该方法进行数据监测和防御的自适应性不好。针对上述问题，本文提出基于BP神经网络的工业互联网异常数据主动防御技术，构建工业互联网异常数据检测模型，通过关联数据挖掘方法，挖掘进行工业互联网异常数据的攻击特征，利用异构有向图融合方法，完成数据融合和优化调度，采用随机线性加密方法，处理工业互联网传输数据加密和算术编码，在公共信道中进行工业互联网异常数据特征提取和信道均衡设计，实现数据加密和主动防御控制。最后进行仿真测试分析，展示了本文方法在提高工业互联网异常数据主动防御能力方面的优越性能。

2 工业互联网异常数据分布和编码

2.1 工业互联网异常数据的异常特征分布

为了实现基于BP 神经网络的工业互联网异常数据主动防御，首先构建工业互联网异常数据检测模型，通过关联数据挖掘方法，特征分布式融合工业互联网异常数据，建立工业互联网异常数据的图模型结构[10]，通过有向图特征分析，得到有向图模型结构为Y，关联图模型为G，在有向的独立分布集中，建立工业互联网异常数据加密的分布式节点融合模型，通过向量量化特征分解，控制明文，在互联网传输信道中，控制链路均衡，得到工业互联网异常数据传输的边向量为q=head(r)，表示工业互联网异常数据传输链路r的头，用u=tail(r)表示工业互联网异常数据传输链路r的尾，工业互联网异常数据加密的分布式节点融合模型为：

公式(1)中，Br(k)表示为工业互联网节点k的输入链路集合，工业互联网异常数据存储的本体结构映射表示为|ε(k)|，通过管理节点调度，得到工业互联网节点k的带宽Kk。定义工业互联网异常数据传输节点k的自相关特征匹配集合为：

公式(2)中，(k)为工业互联网节点k的出度。若Y为工业互联网异常数据传输图模型G的最大独立集，简记为MIS。设工业互联网异常数据的传输密钥协议QW，对于量化编码特征向量L，通过关联维分解，得到数据存储模型W中任意节点w的自相关特征分布集，图模型的边向量s，计算工业互联网异常数据加密的密钥特征量ht，得到工业互联网异常数据传输的编码协议表达式为：

公式(3)中，dxy为工业互联网异常数据存储节点x和y的欧式距离。根据数据集的网格区块分布进行数据集的云融合[11]，工业互联网异常数据的信宿聚集系数Xi，为：

公式(4)中，gi表示工业互联网异常数据传输的度，Ai表示工业互联网数据存储的边数。

提取工业互联网异常数据集的峰值特征量er(t)，采取时频变换的方法，通过er(t)计算工业互联网异常数据集的时域峰值特征量(t)，对于工业互联网异常数据集的编码序列，通过空间谱特征聚类方法[12]，得到工业互联网异常数据的异常状态分布特征集T(t)，在有限分布域中，得到工业互联网异常数据集结构：

采用异构有向图融合方法[13-14]，分析工业互联网异常数据集存储结构，得到对应的异构存储特征分布集θ(t)，结合网格分片聚类，得到工业互联网异常数据的线性编码基元为：

公式(6)中，Qg表示为预测器系数，nw(t)表示为残余信号。

根据上述分析，建立工业互联网异常数据的异常特征分布模型，根据特征分布的相关性，通过有向图特征分析，采用异构有向图融合方法，完成数据融合和优化调度。

2.2 工业互联网异常数据算术编码

采用随机线性加密方法进行工业互联网传输数据加密和算术编码处理，在公共信道中，提取工业互联网异常数据特征，假设工业互联网异常数据集的簇首节点传输属性集为Cj={z1，z2，…，zn}，得到工业互联网异常数据的解码信道，表达为：

公式(7)中，Bx表示为连续信道的加性高斯白噪声功率，R表示为信道的带宽，N表示为信号功率，bs表示为信道容量。

在工业互联网异常数据算术编码信道中，通过对P求混沌线性密钥，提取工业互联网异常数据集的粗糙特征量，得到冲激响应函数表示为：

公式(8)中，P表示为冲激响应，FR表示为阶跃响应。

通过卷积自相关特征分析，求得Mo(j)与P之间的相似度特征量，通过模糊特征匹配，得到算术编码的响应特征集为δ(l)，通过结构化线性编码，得到n个随机数编码码元为αn，采用种子密钥配准的方法，控制工业互联网异常数据的算术编码，得到编码协议为：

公式(9)中，fj表示为时钟的脉冲频率，ut表示为数据传输间隔，wv表示为工业互联网异常数据算术编码的输出码元。

通过扰动抑制，重构工业互联网异常数据编码过程的几何特征，得到重构轨迹：

公式(1)中，Sr表示为待挖掘轨迹点，dp表示为嵌入的维数，Ty表示为延迟时间。

对上述工业互联网异常数据编码轨迹进行几何重构，工业互联网异常数据编码轨迹如图1所示。

图1 工业互联网异常数据编码轨迹图

根据重构编码结果，进行工业互联网异常数据的优化检测和主动防御设计。

3 工业互联网异常数据的主动防御设计

3.1 工业互联网异常数据的检测

采用随机线性加密方法，处理工业互联网传输数据加密和算术编码，在公共信道中进行工业互联网异常数据特征提取和信道均衡设计，构建数据检测模型，得到工业互联网数据传输的码元分布向量O，则工业互联网异常数据检测的译码映射函数为：

公式(11)中，sg表示为译码收敛速度，ci表示为校验节点，zi表示为变量节点。采用随机数发生器，控制工业互联网异常数据的输出稳定性，得到随机编码密钥：

公式(12)中，Hm表示为密钥种子编码，hj表示为密钥种子。结合特征空间重组技术进行工业互联网异常数据集结构重组，提取工业互联网异常数据的边界特征量，得到工业互联网异常数据编码的算术平均值为：

描述工业互联网异常数据集聚类的关联参数，通过级联特征映射，进行工业互联网异常数据检测。

3.2 工业互联网异常数据主动防御控制

建立工业互联网异常数据的谱密度特征分布集，得到密切度分布集合Vc={S1，S2，…，SL}，得到工业互联网异常数据防御的约束规划模型为：

公式(14)、(15)中，ρj(j=1，2…n)、ai(i=1，2…m)、aij(i=1，2…m；j=1，2…n)表示为已知常数，j(j=1，2…n)表示为决策变量。

并且工业互联网异常数据的信息度集βi(i=1，2，…，m)满足以下条件：

此时Vc中工业互联网异常数据的第c个时间片满足，其中c=1，2，…，n。综上分析，在公共信道中进行工业互联网异常数据特征提取和信道均衡设计，采用BP神经网络控制方法，得到在传输信道Cs上工业互联网异常数据的模糊特征分布式为：

公式(18)中，ζf为工业互联网异常数据分布节点f 的近邻点集合，通过模糊度特征匹配和BP 神经网络控制，得到工业互联网异常数据的主动防御控制函数为：

公式(19)中，R(t)表示为可靠度，pi表示为网络失效概率，f-1(x)表示为地址概率分布值。

通过模糊度检测和BP 控制，得到工业互联网异常数据集的评价集和测试集分别为和，输出公钥表示为：

公式(20)中，η 表示为输出的随机素数，φn表示为公钥因子。通过算术编码和混沌加密，得到工业互联网异常数据的主动防御输出为：

选择整数 作为控制阈值，通过BP神经网络控制，实现工业互联网异常数据的主动防御优化。

4 仿真测试

为了验证本文方法进行工业互联网异常数据主动防御中的应用性能，采用Matlab进行实验分析，假设工业互联网异常数据的分布维数为12，算术编码的嵌入维数为4，特征分布带宽为5dB，数据传输的时延为1．4ms，工业互联网异常数据的采样样本长度为1024。

根据上述仿真参数设定，得到工业互联网传输数据采样如图2所示。

图2 工业互联网传输数据采样

以图2的数据为样本，进行工业互联网的异常数据检测，实现工业互联网异常数据的主动防御，得到防御结果如图3所示。

图3 工业互联网异常数据主动防御结果

分析图3得知，本文方法能有效实现对工业互联网异常数据检测和主动防御，检测准确性较高，测试工业互联网异常数据的检测准确概率，得到蒙特卡洛曲线如图4所示，分析图4得知，本文方法进行工业互联网异常数据检测和防御的准确概率较高。

图4 工业互联网异常数据检测准确性对比

5 结束语

构建工业互联网的数据监测模型，结合工业互联网的数据传输性能，进行工业互联网信道均衡控制和数据加密，进行工业互联网的异常数据检测，提高工业互联网的传输安全性，本文提出基于BP神经网络的工业互联网异常数据主动防御技术。通过关联数据挖掘方法进行工业互联网异常数据的特征分布式融合，建立工业互联网异常数据的图模型结构，通过空间谱特征聚类方法，得到工业互联网异常数据的异常状态分布特征集，建立工业互联网异常数据的异常特征分布模型，根据特征分布的相关性，进行数据融合和优化调度。结合特征空间重组技术进行工业互联网异常数据集结构重组，通过模糊度特征匹配和BP神经网络控制，得到工业互联网异常数据的主动防御控制和检测。分析得知，本文方法进行工业互联网异常数据检测的准确性较高，提高对工业互联网异常数据的主动防御能力。