买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)

摘要：本发明涉及基于GRU的变分自编码器的攻击和防御方法及系统，属于工业控制系统攻击防御技术领域。包括：将数据集划分为训练集和测试集；对训练集和测试集进行数据预处理；利用训练好的GRU模型来学习各个传感器序列之间的约束关系；在测试数据中对传感器加入不同的扰动，利用所学到的各个传感器序列之间的约束关系并结合FGSM攻击方法来生成对抗样本；采用处理好的数据集对VAE异常检测模型进行训练，得到VAE异常检测模型的训练的重构误差；将VAE异常检测模型训练的重构误差与权重矩阵相结合，得到优化重构误差，并且采用优化重构误差来检测是正常或者异常。本发明提升了模型鲁棒性，免受针对最弱特征的攻击而且可解释性强。

主权项：1.基于GRU的变分自编码器的攻击和防御方法，其特征在于，用于工业控制系统，包括：将数据集划分为训练集和测试集；对训练集和测试集进行数据预处理；利用训练好的GRU模型来学习各个传感器序列之间的约束关系；包括：训练GRU模型学习各个传感器序列之间的约束关系，GRU模型包括更新门和重置门；编码器将来自多个传感器的序列数据作为输入，并使用GRU模型提取来自多个传感器的序列数据中的模式和特征；GRU模型的记忆单元存储来自先前时间步的信息，学习传感器之间的时间依赖关系；在测试数据中对传感器加入不同的扰动，利用所学到的各个传感器序列之间的约束关系并结合FGSM攻击方法来生成对抗样本；包括：φ表示GRU模型，对于一个输入样本：x＝x1，x2，..，xi..，xN，x包括N个传感器的读数，xi表示第i个传感器的读数；目标是生成对抗样本：x′＝x′1，x′2，..，x′i，..，x′N；对输入的原始数据xi特征加入扰动，计算损失函数相对于输入数据的梯度得到噪声，生成对抗样本；生成对抗样本的标准公式如式1所示： 其中，∈表示扰动强度系数，α表示扰动量级大小，φxi表示GRU模型对第i个传感器的输出，编码第i个传感器与其他传感器的时序关联信息，表示损失函数J相对于第i个传感器读数xi的梯度；采用处理好的数据集对VAE异常检测模型进行训练，得到VAE异常检测模型的训练的重构误差；包括：VAE异常检测模型包括编码器和解码器；编码器和解码器均为门控循环单元；在训练过程中，利用VAE异常检测模型学习正常数据的潜在分布和特征模式；通过分析VAE异常检测模型在不同特征维度上的重构误差，计算出每个特征对于正常数据重构的重要性程度，通过不同特征维度上的重构误差计算权重矩阵；将VAE异常检测模型训练的重构误差与权重矩阵相结合，得到优化重构误差，并且采用优化重构误差来检测是正常或者异常；利用VAE异常检测模型学习正常数据的潜在分布和特征模式；包括：编码器接收输入数据x并输出一个潜在变量z的分布参数包括均值μ和方差σ2，然后通过重参数化采样潜在变量z来进行训练，解码器将潜在变量z变换回原始数据空间，生成重构数据x″；VAE异常检测模型的训练目标是最大化重构数据x″与输入数据x的相似度，同时最小化潜在变量z的分布与标准正态分布N0，I之间的差异；在训练过程中，VAE异常检测模型通过反向传播算法不断优化编码器和解码器的参数，使得编码器学习到输入数据的潜在分布参数，捕捉到数据的潜在特征模式；通过分析VAE异常检测模型在不同特征维度上的重构误差，计算出每个特征对于正常数据重构的重要性程度，通过不同特征维度上的重构误差计算权重矩阵；包括：利用训练好的VAE异常检测模型，把对抗样本放进VAE异常检测模型中进行数据重构，计算的原始数据x和重构数据x″之间特征中值的重构误差；将计算得到的重构误差与对应的权重矩阵相乘，计算最优重构误差；权重等于1除以每个特征中值的重构误差，再加一个小常数ε。

全文数据：

权利要求：

百度查询： 山东省计算中心(国家超级计算济南中心) 齐鲁工业大学(山东省科学院) 基于GRU的变分自编码器的攻击和防御方法及系统