Transformer融合CNN-SRU的工业控制网络入侵检测方法

摘要

针对工业控制网络入侵检测的现有方法只关注网络流量的局部特征或全局特征，以及网络流量数据分布不平衡导致入侵检测模型准确率低的问题，提出一种Transformer融合卷积神经网络-简单循环单元(CNN-SRU)的工业控制网络入侵检测方法。采用自适应合成采样方法(ADASYN)和高斯混合模型(GMM)对少数类样本进行过采样，达到样本平衡。通过CNN-SRU捕获网络流量数据的时空局部特征，Transformer编码器部分捕捉全局联系进行深层次特征提取。在NSL＿KDD数据集上进行实验，模型的总体准确率达到99.61%,高于对比的神经网络模型。在密西西比州立大学天然气管道控制系统数据集和本实验室油气集输全流程工业攻防靶场上进行实验，总体准确率分别达到98.58%和96.89%,证明了所提方法在工业控制网络入侵检测中的科学性与可行性。

关键词

工业控制网络 / 入侵检测 / Transformer / 卷积神经网络 / 简单循环单元