一种数据驱动的可编程逻辑控制器动态可信等级计算方法

本发明设计了一种数据驱动的可编程逻辑控制器(programmable logiccontroller，plc)动态可信等级计算方法，实现对plc的状态和行为数据进行全面评估并实时划分其可信等级。在工业控制等领域中，及时、准确地掌握plc系统的可信状态，会为系统的稳定运行提供关键支持，同时也会避免因系统故障或异常导致生产中断、产品质量问题和安全事故。因此，动态分析和调整系统的信任等级具有重要意义。

背景技术：

1、在现代工业控制领域，plc系统广泛应用于很多关键的基础设施和生产流程中，其运行的可靠性和安全性至关重要。随着工业环境日益复杂以及网络技术的不断发展，plc系统面临着越来越多的潜在安全威胁，如网络攻击、设备故障、人为误操作等。然而，传统的可信评估方法大多是静态的，难以实时准确地反映plc系统在动态运行过程中的可信状态变化，这就导致在面对系统状态变化和安全威胁时，无法及时做出有效的应对措施，增加了系统故障和安全事故发生的风险。同时，工业控制领域对于系统安全性和可信度的要求越来越高，需要一种能够全面、实时且准确的评估plc系统可信等级的方法，以保障工业生产的连续性、稳定性以及数据的安全性，适应不断发展的工业智能化趋势。因此，对系统进行动态可信等级计算具有重要意义，可以确保在复杂多变的环境下plc系统的安全性和可信度。

2、本发明设计了一种数据驱动的plc动态可信等级计算方法，主要通过对系统的状态和行为数据进行全面分析，设计基于径向基函数的动态可信等级计算模型，实现对系统准确地动态分析和信任等级调整。

技术实现思路

1、本发明获得了一种数据驱动的plc动态可信等级计算方法，利用径向基函数神经网络作为数据驱动模型的载体，构建动态可信计算的模型，依据系统访问时间、访问失败时间、任务执行时间等变量数据在线调整模型的结构与参数，实现了plc可信等级的动态计算；设计一个动态阈值的调整机制，根据历史数据和实时数据自适应确定信任等级划分阈值，确保信任等级评估的准确性；最后，结合模型和阈值调整机制，可以实现plc动态可信等级的准确划分和评估。

2、本发明采用了如下的技术方案及实现步骤：

3、一种数据驱动的plc动态可信等级计算方法，包括以下步骤：

4、(1)确定计算所需的输入变量和待计算的输出变量：针对plc(可编程逻辑控制器)系统的状态和行为数据进行动态可信等级计算，确定访问时间、访问失败时间、任务执行时间、任务停止时间、访问停留时间、访问次数和系统警告次数共7个变量为动态可信等级计算的相关变量，以计算的可信等级为输出变量；

5、(2)设计一个用于处理plc数据集中异常样本的方法，具体为

6、①获取访问时间为向量x1＝[x11,…,x1n]，访问失败时间为向量x2＝[x21,…,x2n]，任务执行时间为向量x3＝[x31,…,x3n]，任务停止时间为向量x4＝[x41,…,x4n]，访问停留时间为向量x5＝[x51,…,x5n]，访问次数为向量x6＝[x61,…,x6n]，系统警告次数为向量x7＝[x71,…,x7n]，构造输入数据集矩阵为x＝[x1,…,xj,…,xn]，xj＝[x1j,…,xij,…,xmj]t，i＝1,…,m,j＝1,…,n，其中n和m分别为相关变量个数和样本数，t表示矩阵的转置；

7、②判断输入数据集中的每一位数据是否异常，求得z值为

8、

9、其中zij为判别第i类变量中第j个数据是否为异常值的标准，μj为各输入数据向量的平均值，σj为各输入数据向量的标准差，分别表示为

10、

11、其中，σ为求和符号，当-3≤zij≤3，则第i类变量中第j个数据被视为异常；

12、③直接剔除该异常值，并用数据μj*补充该数据所在的位置，表示为

13、

14、其中，a为异常值；

15、(3)设计基于径向基函数神经网络(radial basis function neural network)的约束型神经网络模型，神经网络拓扑结构分为三层，输入层、隐含层和输出层；确定神经网络n-r-1的连接方式，即输入层神经元个数为相关变量个数n，并通过网格搜索法确定隐含层神经元为r个，输出层神经元为1个；网络中心值、宽度以及权值分别为c(t)＝[c1(t),c2(t),…,cj(t),…,cn(t)]t，b(t)＝[b1(t),b2(t),…,bj(t),…,bn(t)]t和ω(t)＝[ω1(t),ω2(t),…,ωq(t),…,ωr(t)]t，其中j＝1,2,…,n，q＝1,2,…,r，cj(t)＝[cj1(t),cj2(t),…,cjq(t),…,cjr(t)]，bj(t)＝[bj1(t),bj2(t),…,bjq(t),…,bjr(t)]，cjq(t)和bjq(t)分别表示t时刻输入层的第j个输出和隐含层的第q个输入之间的中心值和宽度，权值ωq(t)表示隐含层第q个神经元在t时刻与输出层神经元之间的权值，c(t)，b(t)和ω(t)初始化过程中内部元素均为1；对应神经网络训练的输出为-1、0和1，其中定义-1为低级可信等级，0为中级可信等级，1为高级可信等级，网络的拓扑结构和计算方法为：

16、①输入层：该层与隐含层的连接通过权重实现，假设隐含层的输入为z(t),输入层的单个神经元到隐含层的输入计算为

17、

18、其中，zq(t)为在t时刻隐含层第q个神经元的输入，wjq(t)为在t时刻连接输入层的第j个神经元到隐含层的第q个神经元的权值，bq是偏置项；

19、②隐含层：该层中神经元的激活函数(径向基函数)对于该层的输入进行非线性变换，选择高斯函数作为本层的激活函数，假设隐含层的输出为h(t),表示为

20、

21、其中，v＝1,2,…,r,r为隐含层神经元个数，hv(t)为在t时刻隐含层神经元第v个节点的输出，exp为以自然常数e为底的指数函数，d(t)为在t时刻隐含层的输入向量z(t)与第v个中心向量cv之间的欧几里得距离；

22、③输出层：假设在t时刻该层的输入为g(t)，那么该层神经元的输出表示为

23、

24、其中，θ1(t)表示在t时刻低-中等级阈值，θ2(t)表示在t时刻中-高等级阈值，-1表示当前系统的可信等级为低级，0表示当前系统的可信等级为中级，1表示当前系统的可信等级为高级；

25、④评价函数：在t时刻模型的交叉熵损失函数表示为

26、

27、其中c为分类类别数量，yd(t)为在t时刻真实标签的独热编码中的第d个元素，yd*(t)为在t时刻第d个类别的预测输出；

28、⑤训练神经网络，在约束条件下更新模型的参数：

29、a.对t时刻隐含层的输出h(t)施加一个约束，h(t)＝[h1(t),…,hq(t),…,hr(t)]t，其中q＝1,2,…,r，计算在t时刻每个神经元占所有神经元之和的比例为

30、

31、其中，r为隐含层神经元个数，设定一个固定值a，当pq<a时，认为神经元占比不满足约束，对整体影响较小，将该神经元对应的权值设置为0，即在计算下一层神经元输入时，就直接忽略了第q个神经元的计算；

32、b.对t时刻隐含层与输出层之间的权值ω(t)也施加一个约束，ω(t)＝[ω1(t),…,ωq(t),…,ωr(t)]t，其中q＝1,2,…,r，计算每个权值占所有权值之和的比例为

33、

34、其中，r为隐含层神经元个数，设定一个固定值b，当pq′<b时，认为此权值对整体影响较小，在权值更新时可以直接忽略第q个权值的计算；

35、c.通过损失函数梯度下降法更新模型的参数，损失函数对每个参数的梯度表示为

36、

37、其中为偏导符号，按照梯度的反方向更新模型在t+1时刻的参数，输出层的连接权值、中心值和宽度的更新规则为

38、

39、其中，ω(t+1)、c(t+1)和b(t+1)分别为t+1时刻隐含层神经元与输出神经元之间的权值、中心值和宽度，α为学习率；

40、d.根据样本的三分之一中位数和三分之二中位数确定初始阈值θ1(t)和θ2(t)，动态调整阈值θ1(t)和θ2(t)，设定滑动窗口在系统相关数据中动态限定一个数据范围，统计滑动窗口内低、中、高可信等级的样本数量，分别记为n-1、n0、n1，计算各可信等级在窗口内所占的比例为

41、

42、其中，w为滑动窗口的大小，根据各可信等级所占比例动态调整自适应阈值，若各比例相差较大，则通过中位数方法更新阈值，更新规则表示为

43、

44、其中，θ1(t+1)和θ2(t+1)为更新后的阈值，m-1(t)、m0(t)和m1(t)分别为滑动窗口中各可信等级数据组中特征向量的中位数；

45、⑥若满足t＝100，或者l(t)<lmax，lmax为最大学习次数，则完成训练；否则转向步骤③；否则t＝t+1,返回步骤⑤；

46、(4)基于径向基函数(rbf)神经网络的系统动态可信等级计算，选择计算输入样本矩阵，w(t+a)＝[w(t+1),w(t+2),…,w(t+e),…,w(t+a)]，w(t+e)＝[w1(t+e),w2(t+e),…,wj(t+e),…,wn(t+e)]t，其中e＝1,2,…,a，a为模型训练次数，n为相关变量个数，依据公式(6)～(22)计算模型在t+n时刻的可信等级输出为y(t+n)。

47、本发明的创造性主要体现在：

48、本发明针对plc系统在复杂且不断变化的运行环境中难以进行可信等级准确评估的问题，提出一种数据驱动的方式来处理plc系统的可信等级计算，通过通讯模块广泛收集系统日志、用户行为等多源数据，可以全面地评估系统的安全等级。并且，设计了动态阈值调整机制，能根据历史和实时数据灵活改变信任等级划分的阈值，使评估更适应系统的动态变化。