پیش بینی موارد غیر نرمال در شبکه های کنترل صنعتی تولید و توزیع گاز با استفاده از بهینه سازی زیستی شبکه های عصبی

سیستمهای تشخیص نفوذ (IDS) مبتنی بر روشهای یادگیری ماشین، برای محافظت از سیستم های اسکادا در برابر نفوذ و حمله، ارایه شده اند. دلیل این امر این است که روش های یادگیری ماشین، توانایی کشف الگوها از مقدار زیادی از داده های تاریخی برای ساخت مدل تشخیص را دارند. از آنجا که برچسب گذاری مقدار زیادی از داده های برچسب گذاری نشده هزینه بر و زمان بر است، روش های تشخیص نفوذ بدون نظارت پیشنهاد شده اند. در این پژوهش، 24 الگوریتم داده کاوی بر روی مجموعه دادهی گاز اجرا شده است. سپس بر روی الگوریتم AutoMLP که ترکیبی از شبکه عصبی و الگوریتم ژنتیک است و در بین این 24 الگوریتم دقت بالاتری در پیش بینی موارد غیر نرمال داشت، الگوریتم های کاهش دهنده ابعاد، PCA ،ICA ،GHA ،SVD و SOM برای بهبود دقت اجرا شد. پس از آن برای بهبود دقت و ارزیابی این مورد که آیا الگوریتم های بهینه سازی میتوانند نتایج بهتری نسبت به کاهنده های ابعاد بدهند، الگوریتم های مختلف زیستی برای آموزش بهینه شبکه های عصبی بر روی اینمجموعه داده اجرا شده است. این الگوریتم ها عبارتند از: BBO ،PBIL و GrayWolf. نتایج نشان داد که الگوریتم Gray Wolf با دقت 97.5 % میتواند موارد غیر نرمال را پیش بینی کند.

کلیدواژه ها:

پیش بینی موارد غیر نرمال ، شبکه های کنترل صنعتی ، الگوریتم های زیستی ، شبکه های عصبی