1.一种基于孪生网络的少样本虚假数据注入攻击检测方法,其特征在于,所述方法包括以下步骤:
1)虚假数据注入攻击:通过程序在雕刻机实验平台正常运行下对Y轴电机的速度进行偏差注入攻击;
2)数据采集:使用UDP/IP协议通讯,采集网络化控制系统雕刻机实验平台以雕刻圆的形式在正确状态下和受到虚假数据注入攻击状态下的数据,所述数据包括Y轴位置和速度;
3)数据预处理:将数据通过程序转化为二维图像,建立训练集和测试集;
4)使用孪生网络建模:从训练集中取样少样本分类任务输入2D‑卷积神经网络,进行特征提取,将基于度量方法计算得到特征之间的欧式距离作为优化目标,使用对比损失函数和优化器进行网络模型训练;
5)模型预测:从测试集取样少样本分类任务输入训练得到最优化的孪生网络模型,输出相似度和预测标签,并对预测效果进行评估;
所述步骤1)中,虚假数据注入攻击包括以下过程:
步骤101,虚假数据注入攻击手段为偏差攻击,此类攻击是破坏数据的完整性,即在某时刻或某段时间内,在原始数据后注入攻击值,影响系统的稳定,其形式如下式:其中,y是系统正常运行时传输的数据,σ为注入的攻击值,是注入攻击后的数据;
其中,t为实验时间,Tbias是注入攻击的时刻,λ是攻击时刻时注入攻击值;
步骤102,通过程序在雕刻机实验平台正常运行下对Y轴电机的速度进行偏差攻击,注入时间为一个周期,注入攻击的时刻为正常运行一个周期后一个周期注入攻击,并且注入攻击持续一个周期,攻击数值分别为100、150、200,代表三种攻击类别;
所述步骤2)中数据采集包括以下过程:
步骤201,实验平台主要使用网络化控制系统雕刻机平台,与雕刻机直接相连的控制端为服务器端,远程控制端为客户端,二者通过UDP/IP进行通讯;
步骤202,设置一个自动数据采集平台,当雕刻机以雕刻圆的形式运作时,一个周期产生1600个数据点,平台自动采集Y轴位置坐标和伺服电机速度。
2.如权利要求1所述的一种基于孪生网络的少样本虚假数据注入攻击检测方法,其特征在于,所述步骤4)中使用孪生网络建模包括以下过程:步骤401,所述少样本分类任务包括支持集S和查询集Q;其中,支持集S包括K×M张图像样本,K表示图像种类的数量,M表示每种图像分类的数量,在从训练集中取样时随机选取K种图像作为少样本任务的分类目标,然后从选取的K种图像中,每种随机抽取Ms个样本作为支持集S,并且每种样本随机抽取Mq张作为查询集Q;两个集合的图像样本应互不包含,将S作为少样本任务的训练集,而Q作为少样本任务的测试集,通过从S中获取知识以对Q中的样本进行分类;
步骤402,构建孪生网络模型,使用权值共享的并行双向卷积神经网络,输入训练集取样的少样本分类任务,进行训练,输出特征向量;
步骤403,选择对比损失函数和Adam优化器训练网络,如下所示:对比损失函数:
其中,
其中L为损失值,DW代表两个样本特征X1和X2的欧式距离,P表示样本的特征维数,Y为两个样本是否匹配的标签,Y=0代表两个样本匹配,Y=1则代表不匹配,m为设定的阈值,N为样本个数;
Adam优化器公式:
其中m为梯度的一阶矩,beta1为一阶矩衰减系数,dx为原始梯度,v为梯度的二阶矩,beta2为二阶矩衰减系数,x为更新的参数,learning_rate为学习率,eps为非常小的数,Adam优化器在优化过程中能快速寻找到最优解;
步骤404,通过多次训练,使用对比损失函数和Adam优化器得出的最优解更新神经网络的参数,使网络快速适应,得到最优化模型。
3.如权利要求1所述的一种基于孪生网络的少样本虚假数据注入攻击检测方法,其特征在于,所述步骤5)中模型预测包括以下过程:步骤501,将测试集少样本分类任务输入到最优化网络模型中,输出样本对之间的欧式距离,通过sigmoid函数,将距离映射到[0,1]之间,当样本对为同一类时,则输出越接近0;
类别不同时,则输出越接近1,最后显示检测结果;
步骤502,评价模型性能,采用准确率指标构建模型评价体系,评价公式如下:其中,Accuracy为准确率,Right_Prediction为正确检测的标签数,testdata_total_num为测试标签总数。