典型文献
使用蚁群算法和深度强化学习的工业异常入侵检测
文献摘要：
随着工业4.0时代的到来,工业资源、数据和互联网关系越来越紧密.然而,大量信息技术的使用也给工业控制系统(ICS)带来了巨大的隐患.随着各种攻击手段的增加,现有的异常检测方法存在着很多局限性,无法有效识别各种攻击.鉴于上述情况,本文提出了一种基于蚁群算法和强化学习的工业异常入侵检测方法.使用蚁群算法进行特征选择,通过多次迭代消除无关、冗余特征,使其适合于模型处理并提高训练速度.该算法在选择特征子集的过程中具有较快的收敛性,可以避免盲目搜索并快速找到最优解.本文对深度强化学习的范式进行修改,利用其反馈学习和决策的能力,对不同类别的攻击进行分类.本文使用密西西比州立大学设计和开发的天然气管道测试平台SCADA系统收集的真实数据对模型进行评估.实验结果表明,该方法可以满足对检测攻击的需求.
文献关键词：
工业控制系统;入侵检测;蚁群算法;机器学习;深度学习;深度强化学习
中图分类号：
作者姓名：
陈铁明;董航
作者机构：
浙江工业大学 计算机科学与技术学院,网络空间安全中心,杭州310023
文献出处：
引用格式：
[1]陈铁明;董航-.使用蚁群算法和深度强化学习的工业异常入侵检测)[J].小型微型计算机系统,2022(04):779-784
A类：
B类：
蚁群算法,深度强化学习,异常入侵检测,工业资源,网关,工业控制系统,ICS,攻击手段,异常检测方法,上述情况,入侵检测方法,特征选择,多次迭代,冗余特征,模型处理,提高训练,训练速度,特征子集,收敛性,最优解,密西西比州,州立大学,设计和开发,天然气管道,测试平台,SCADA,统收,真实数据
AB值：
0.346501
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
