CN113094860B - 一种基于注意力机制的工控网络流量建模方法 - Google Patents
一种基于注意力机制的工控网络流量建模方法 Download PDFInfo
- Publication number
- CN113094860B CN113094860B CN202110475603.7A CN202110475603A CN113094860B CN 113094860 B CN113094860 B CN 113094860B CN 202110475603 A CN202110475603 A CN 202110475603A CN 113094860 B CN113094860 B CN 113094860B
- Authority
- CN
- China
- Prior art keywords
- industrial control
- control network
- flow
- network flow
- attention mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于注意力机制的工控网络流量建模方法,收集工控网络中上位机与下位机之间的通信流量生成工控网络流量矩阵,构建神经网络框架对工控网络流量进行建模,提取工控网络流量特征,通过输入历史工控网络流量,从而预测工控网络下一时刻的流量。包括:流量采集和预处理,负责收集和预处理工控网络流量数据,构建模型,通过卷积神经网络提取工控网络流量的空间特征,通过循环神经网络提取工控网络流量时间特征,通过注意力机制提取工控网络流量的重要特征,从而通过输入历史流量,完成对工控网络的流量预测。本发明通过构建基于注意力机制的工控网络流量建模方法,引入注意力机制进一步提取了工控网络流量中包含的重要特征,为工控网络流量的建模提供了新的思路。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于注意力机制的工控网络流量建模方法。
背景技术
近年来,随着计算机和物联网技术的不断发展进步和智能控制设备在工业界的广泛应用,工业控制网络结构日趋复杂,工业控制***已经变得更加灵活多变,由于工业控制网络需要更稳定的运行环境,工控网络的设备节点不会经常变化,但其对实时性要求很高,所以对工控网络流量***进行分析和建模从而通过工控网络历史流量来预测流量的未来趋势尤为重要,一方面进行工控网络流量建模能够构造与真实攻击流量或场景流量业务相似的流量,能够为工控网络安全测试或网络安全实验提供数据,另一方面针对工控网络的攻击变得更加频繁,并且危害国家基础设施建设,对工控网络进行流量建模能够为工控网络的异常流量的分析提供参考。
工业控制网络流量具有自相似性、平稳性、突发性等特征,传统的工控网络建模方法主要是利用时间序列特点进行建模,主要的建模方法包括自回归滑动平均模型(ARMA)、差分整合移动平均自回归模型(ARIMA)、分数差分自回归求和移动平均模型(FARIMA)、基于马尔可夫模型及其衍生模型等,如于海东、刘嘉勇等人通过差分整合移动平均自回归模型(ARIMA)对工控网络上位机与下位机间的网络流量进行分析和建模,这类模型对于线性时间序列具有很优良的表现,但随着现在网络技术的不断发展,工控网络流量分布趋于复杂化,传统的建模方法不能应对突发流量,如何能够针对工控网络特征对工控网络流量进行非线性建模变成了一个巨大的挑战。
近年来,神经网络发展迅速并逐渐应用于各个领域之中,利用神经网络模型对非线性问题强大的处理能力来对工控网络流量进行建模,张艳升,李喜旺等人使用卷积神经网络对工控网络进行异常流量检测,常见的用于工控网络流量建模的神经网络主要包括卷积神经网络(Convolutional Neural Networks CNN)、自动编码器(Stacked AutoencoderSAE)、循环神经网络(Recursive Neural Network RNN)、限制玻尔兹曼机(RestrictedBolzmann Machine RBM)等,但是仅采用单一的神经网络对工控网络建模并不能够提取多方面的特征,本发明结合卷积神经网络与循环神经网络提取工控网络中的空间和时间特征,通过引入注意力机制能够提取工控网络流量中的重要特征,并且能够改善LSTM对重要特征不敏感的问题。
发明内容
本发明提出了一种基于注意力机制的工控网络流量建模方法,通过卷积神经网络提取工控网络流量的空间特征,通过循环神经网络提取工控网络流量的时间特征,通过引入注意力机制提取工控网络流量的重要特征,通过上述神经网络框架最终实现从历史的工控网络上位机与下位机之间的流量矩阵能够得到未来的流量预测值。
本发明提供一种基于注意力机制的工控网络流量建模方法,包括以下步骤:
(1)、数据采集以及预处理:针对工控网络中上位机与下位机之间的通信,即过程监控层包括工程师站、操作员站、数据服务器等设备,与现场控制层设备控制器之间的通信并进行流量采集工作,生成工控网络流量矩阵M,并进行归一化处理。
(2)、模型构建:通过二维卷积神经网络提取工控网络流量中的空间特征Ms,再通过BiLSTM提取时间特征Mt,最后通过多头注意力机制提取工控网络流量的重要特征Mi,通过全连接层完成对工控网络流量的建模。
(3)、迭代和训练:使用归一化均方根误差(RNMSE)作为损失函数,并通过计算梯度,反向传播更新参数,反复迭代和训练得到基于注意力机制的深度学习模型。
进一步的,上述步骤(1)中所述的预处理步骤包括以下步骤:
a、对工业控制网络过程监控层和现场控制层之间的通信流量进行采集,过程监控层需要采集的设备分别包含操作员站、工程师站、监控服务器、实时数据库、接口服务器等,现场控制层包括控制器,对上述所有设备进行流量采集。
b、对工控网络过程监控层和现场控制层设备分别进行编号,对过程监控层设备进行(1,2,…,X)编号,对现场控制层设备进行(1,2,…,Y)编号,并将收集的工控网络流量按照固定顺序构成工控网络流量矩阵M,表示方式如下,其中(i,j)表示在某一时刻过程监控层到现场控制层的网络流量值。
c、设置时间间隔T,按照时间间隔T对过程监控层到现场控制层的网络流量值进行连续采样,设采样次数为S,则最后生成S个维度为X×Y的工控流量矩阵M。
d、对采集到的所有的工控流量矩阵M进行全局归一化,将所有的网络流量值都统一到(0,1)范围内。
进一步的,所述步骤(2)所述的模型构建的步骤包括以下步骤:
a、构建二维卷积神经网络,模型输入P个X×Y的工控流量矩阵,每个工控流量矩阵使用一个二维卷积神经网络进行特征提取,将提取的二维矩阵展平成一维向量,得到提取的工控网络流量空间特征Ms。
b、构建双向循环神经网络,输入为由上一步骤得到的网络流量空间特征Ms,采用BiLSTM提取网络流量中包含的时间特征,将每个时刻的输出重组为特征矩阵,得到提取的工控网络流量时间特征矩阵Mt。
c、将上一步骤B中生成的网络流量时间特征矩阵Mt作为输入,采用多头自注意力机制,通过不同的权重矩阵WQ、WK、WV进行线性变换,得到矩阵Q、K、V,分别将这三个矩阵分为H个头,并进行缩放点击运算,最后将多个头进行合并得到提取的工控网络流量重要特征矩阵Mi
d、构建全连接层,将步骤C提取的网络流量特征矩阵Mi展平成一维向量作为输入,构建一层全连接网络,得到最后P+1时刻的工控网络流量预测结果MP+1,至此完成模型构建。
进一步的,所述步骤(3)所述的迭代和训练步骤包括以下步骤:
a、输入P个历史工控流量矩阵[M1,M2,M3…MP],通过上述步骤3的基于注意力机制的工控网络流量模型,输出基于注意力机制的工控网络流量模型。
b、初始化模型参数,设置一次训练的batchTb,在Tb上最小化损失函数,为了使预测的流量中不出现异常值,保证网络流量预测结果的稳定性,损失函数采用归一化均方根误差(RNMSE),使用Adam优化器优化训练过程,循环迭代直到达到设置的迭代次数。
c、调整参数,重复上述步骤,保存得到最优结果的模型,作为基于注意力机制的工控网络流量模型。
通过本发明的方法能够根据历史工控网络流量数据进行建模,并预测未来工控流量值,与现有技术相比具有以下优点:
1、本发明首次将基于注意力机制的神经网络用于工控网络上位机与下位机之间的通信网络流量的建模中,解决了传统方法无法应对突发流量以及无法准确针对非线性问题建模的问题。
2、本发明将卷积神经网络、循环神经网络、注意力机制相结合进行工控网络流量建模,通过卷积神经网络提取工控网络流量的空间特征,通过循环神经网络提取工控网络流量的时间特征,通过引入注意力机制提取工控网络流量的重要特征,更加全面的提取了工控网络的流量特征。
3、本发明使用归一化均方根误差(RNMSE)作为损失函数来指导神经网络的训练,加快了训练速度,并提高了模型准确率。
附图说明
图1为本发明方法的总体流程图。主要包含三个部分:采集与预处理部分、模型构建部分和模型训练部分。
图2为使用本发明方法工控网络示意图,为采集与预处理部分示意图
图3为本发明方法的基于注意力机制的工控网络深度学习模型图,为模型构建部分示意图。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步详细说明。
本发明设计的基于注意力机制的工控网络流量建模方法,能够通过工控网络过程监控层和现场控制层之间设备的历史网络流量来预测未来工控设备之间的通信流量值,具体流程如图1所示,其主要步骤包括:
步骤101、对工控网络过程监控层与现场控制层进行通信流量采集,并进行归一化等预处理工作。具体步骤如下:
(1)工控网络示意图如图2所示,模拟工控网络包含3个部分,过程监控层、网络交换层和现场监控层。过程监控层需要采集的设备分别包含操作员站、工程师站、监控服务器、实时数据库、接口服务器等,网络交换层主要包含交换机,现场控制层包括控制器,流量收集过程主要是收集工业控制网络过程监控层和现场控制层之间的通信流量,即在网络交换层进行采集。
(2)对工控网络过程监控层和现场控制层设备分别进行编号,对过程监控层设备进行(1,2,…,X)编号,对现场控制层设备进行(1,2,…,Y)编号,并将收集的工控网络流量按照固定顺序构成工控网络流量矩阵M,表示方式如下,其中(i,j)表示在某一时刻过程监控层到现场控制层的网络流量值。
(3)按照时间间隔2min为时间间隔对过程监控层到现场控制层的网络流量值进行连续采样,连续采样一段时间,设采样次数为S,则最后生成S个维度为X×Y的工控流量矩阵M,利用所有采集到的数据构建工控流量数据集。
(4)对采集到的所有的工控流量矩阵M进行全局归一化,将所有的网络流量值都统一到(0,1)范围内,归一化函数如下,其中输入变量x表示工控网络流量矩阵M:
步骤201、通过卷积神经网络、循环神经网络、注意力机制结合构建基于注意力机制的工控网络流量的深度学习模型。具体步骤如下:
(5)、构建二维卷积神经网络,模型输入20个X×Y的工控流量矩阵,每个工控流量矩阵使用一个二维卷积神经网络进行特征提取,将提取的二维矩阵展平成一维向量,得到提取的工控网络流量空间特征Ms。
(6)、构建双向循环神经网络,输入为由上一步骤得到的网络流量空间特征Ms,为了能够捕捉到较长距离的双向依赖关系,采用BiLSTM提取网络流量中包含的时间特征,将每个时刻的输出重组为特征矩阵,得到提取的工控网络流量时间特征矩阵Mt。
(7)、利用注意力机制提取工控网络流量重要特征,将上一步骤B中生成的网络流量时间特征矩阵Mt作为输入,采用多头自注意力机制,通过不同的权重矩阵WQ、WK、WV进行线性变换,得到矩阵Q、K、V,分别将这三个矩阵分为3个头,并进行缩放点击运算,最后将多个头进行合并得到提取的工控网络流量重要特征矩阵Mi
(8)、构建全连接层,将步骤C提取的网络流量特征矩阵Mi展平成一维向量作为输入,构建一层全连接网络,得到下一时刻的工控网络流量预测结果M21,至此完成模型构建。
步骤301、利用归一化均方根误差作为模型迭代更新的损失函数,进行不断的迭代和训练,得到最终的模型,具体步骤如下:
(9)、输入20个历史工控流量矩阵[M1,M2,M3…M20],通过上述步骤3的基于注意力机制的工控网络流量模型,输出基于注意力机制的工控网络流量模型。
(10)、初始化模型参数,设置一次训练的batchTb,在Tb上最小化损失函数,为了使预测的流量中不出现异常值,保证网络流量预测结果的稳定性,损失函数采用归一化均方根误差(RNMSE),公式如下:其中表示网络流量的预测值,y表示真实值,/>表示均值。
使用Adam优化器优化训练过程,循环迭代直到达到设置的迭代次数。
(11)、调整参数,重复上述步骤,保存得到最优结果的模型,作为基于注意力机制的工控网络流量模型。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于注意力机制的工控网络流量建模方法,其特征包括以下步骤:
A、数据采集以及预处理,包括以下步骤:
A1、对工业控制网络中的过程监控层和现场控制层之间的通信流量进行采集,对过程监控层设备进行(1,2,…,X)编号,对现场控制层设备进行(1,2,…,Y)编号,并将收集的工控网络流量按照固定顺序构成工控网络流量矩阵M,表示方式如下,其中(X,Y)表示在某一时刻过程监控层到现场控制层的工控网络流量值:
A2、设置时间间隔T,按照时间间隔T对过程监控层到现场控制层的工控网络流量值进行连续采样,设采样次数为S,则最后生成S个维度为X×Y的工控流量矩阵M;
A3、对采集到的所有的工控流量矩阵M进行全局归一化,将所有的工控网络流量值都统一到(0,1)范围内,归一化函数如下:
其中输入变量x表示工控网络流量矩阵M;
B、模型构建,包括以下步骤:
B1、构建二维卷积神经网络,模型输入P个X×Y的工控流量矩阵,每个工控流量矩阵使用一个二维卷积神经网络进行特征提取,将提取的二维矩阵展平成一维向量,得到提取的工控网络流量空间特征Ms;
B2、构建双向循环神经网络,输入为由上一步骤B1得到的工控网络流量空间特征Ms,采用BiLSTM提取工控网络流量中包含的时间特征,将每个时刻的输出重组为特征矩阵,得到提取的工控网络流量时间特征矩阵Mt;
B3、利用注意力机制提取工控网络流量重要特征,将上一步骤B中生成的网络流量时间特征矩阵Mt作为输入,采用多头自注意力机制,通过不同的权重矩阵WQ、WK、WV进行线性变换,得到矩阵Q、K、V,分别将这三个矩阵分为H个头,并进行缩放点击运算,最后将多个头进行合并得到提取的工控网络流量重要特征矩阵Mi;
B4、构建全连接层,将步骤B3提取的工控网络流量特征矩阵Mi展平成一维向量作为输入,构建一层全连接网络,得到最后P+1时刻的工控网络流量预测结果MP+1,至此完成模型构建;
C、迭代和训练,包括以下步骤:
C1、输入P个历史工控流量矩阵[M1,M2,M3…MP],通过步骤B的基于注意力机制的工控网络流量模型,输出基于注意力机制的工控网络流量模型;
C2、初始化模型参数,设置一次训练的batchTb,在Tb上最小化损失函数,为了使预测的流量中不出现异常值,保证工控网络流量预测结果的稳定性,损失函数采用归一化均方根误差,公式如下:
其中表示工控网络流量的预测值,y表示真实值,/>表示均值,使用Adam优化器优化训练过程,循环迭代直到达到设置的迭代次数;
C3、调整参数,重复上述步骤,保存得到最优结果的模型,作为基于注意力机制的工控网络流量模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110475603.7A CN113094860B (zh) | 2021-04-29 | 2021-04-29 | 一种基于注意力机制的工控网络流量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110475603.7A CN113094860B (zh) | 2021-04-29 | 2021-04-29 | 一种基于注意力机制的工控网络流量建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094860A CN113094860A (zh) | 2021-07-09 |
CN113094860B true CN113094860B (zh) | 2023-09-01 |
Family
ID=76680728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110475603.7A Active CN113094860B (zh) | 2021-04-29 | 2021-04-29 | 一种基于注意力机制的工控网络流量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094860B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572752B (zh) * | 2021-07-20 | 2023-11-07 | 上海明略人工智能(集团)有限公司 | 异常流量的检测方法和装置、电子设备、存储介质 |
CN113691542B (zh) * | 2021-08-25 | 2023-04-28 | 中南林业科技大学 | 基于HTTP请求文本的Web攻击检测方法及相关设备 |
CN113807027B (zh) * | 2021-10-09 | 2023-08-18 | 华北电力大学(保定) | 一种风电机组健康状态评估模型、方法及*** |
CN114553718B (zh) * | 2022-02-20 | 2023-04-18 | 武汉大学 | 一种基于自注意力机制的网络流量矩阵预测方法 |
CN115442253B (zh) * | 2022-09-15 | 2023-07-18 | 西安电子科技大学 | 一种利用注意力机制的网络流量预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN111209933A (zh) * | 2019-12-25 | 2020-05-29 | 国网冀北电力有限公司信息通信分公司 | 基于神经网络和注意力机制的网络流量分类方法和装置 |
CN111818052A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司信息通信分公司 | 基于cnn-lstm的工控协议同源攻击检测方法 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112418361A (zh) * | 2021-01-22 | 2021-02-26 | 杭州木链物联网科技有限公司 | 一种基于深度学习的工控***异常检测方法、装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855706B2 (en) * | 2016-10-11 | 2020-12-01 | Battelle Memorial Institute | System and methods for automated detection, reasoning and recommendations for resilient cyber systems |
US20200204571A1 (en) * | 2018-12-19 | 2020-06-25 | AVAST Software s.r.o. | Malware detection in network traffic time series |
-
2021
- 2021-04-29 CN CN202110475603.7A patent/CN113094860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030889A (zh) * | 2019-12-24 | 2020-04-17 | 国网河北省电力有限公司信息通信分公司 | 一种基于gru模型的网络流量预测方法 |
CN111209933A (zh) * | 2019-12-25 | 2020-05-29 | 国网冀北电力有限公司信息通信分公司 | 基于神经网络和注意力机制的网络流量分类方法和装置 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN111818052A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司信息通信分公司 | 基于cnn-lstm的工控协议同源攻击检测方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112418361A (zh) * | 2021-01-22 | 2021-02-26 | 杭州木链物联网科技有限公司 | 一种基于深度学习的工控***异常检测方法、装置 |
Non-Patent Citations (1)
Title |
---|
基于烟草工业网络流量监测分析与安全防护应用;孟瑾;;网络安全技术与应用(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094860A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110377942B (zh) | 一种基于有限高斯混合模型的多模型时空建模方法 | |
CN109523155B (zh) | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN112257911A (zh) | 基于并行时空注意力机制的tcn多元时间序列预测方法 | |
CN112926256B (zh) | 基于深度强化学习的土壤重金属含量预测方法及*** | |
CN113325721A (zh) | 一种工业***无模型自适应控制方法及*** | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
CN115907154A (zh) | 一种基于频域与长短期特征融合的工业互联网预测方法及*** | |
CN115423175A (zh) | 一种风电功率预测误差分解方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及*** | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
Geng et al. | A LSTM based campus network traffic prediction system | |
CN113095596A (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
Lu et al. | A New Power Load Forecasting Model (SIndRNN): independently recurrent neural network based on softmax kernel function | |
CN112270123A (zh) | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 | |
CN113112075B (zh) | 一种基于vmd和narx的内燃机噪声预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |