(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210952003.X (22)申请日 2022.08.09 (71)申请人 西南民族大 学 地址 610041 四川省成 都市武侯区一环路 南四段16号 (72)发明人 谢盈　高星　李世鹏　刘政奇　 丁旭阳　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 陈瑶 (51)Int.Cl. H04L 9/40(2022.01) H04L 67/125(2022.01) H04L 41/142(2022.01) G06K 9/62(2022.01)G06F 17/16(2006.01) (54)发明名称 一种用于工业控制系统网络流量的降维方 法及电子设备 (57)摘要 本发明公开了一种用于工业控制系统网络 流量的降维方法及电子设备， 包括以下步骤： 获 取用于表 示各个样本点的样本矩阵； 获取样本矩 阵中每列的权重； 将样本矩阵中的列向量重新排 序， 得到新的样本矩阵； 获取降维维数m； 取新的 样本矩阵中前m维列 向量作为降维后的数据， 将 降维后的数据进行分类检测； 判断降维后的数据 对应的分类准确率是否满足要求， 若是则输出并 采用当前的降维维数m对待降维工业控制系统网 络流量对应的新的样本矩阵进行降维； 否则放大 入侵检测模型的总计算量更新降维维数m。 本发 明解决了网络流量数据的高维度带来的高复杂 度计算与工业控制系统的实时性需求相矛盾的 问题。 权利要求书4页 说明书10页 附图1页 CN 115314299 A 2022.11.08 CN 115314299 A 1.一种用于 工业控制系统网络流 量的降维方法， 其特 征在于， 包括以下步骤： S1、 获取工业控制系统历史网络流量中每个样本点的k个最近邻， 获取工业控制系统历 史网络流 量的权重矩阵和度矩阵； S2、 将度矩阵与权重矩阵相减得到拉普拉斯矩阵， 并基于拉普拉斯矩阵获取用于表示 各个样本点的样本矩阵； 其中样本矩阵的每一行对应表示 一个样本点； S3、 获取样本矩阵中每列的平均相似度； S4、 基于样本矩阵中每列的平均相似度和对应的特 征值获取样本矩阵中每列的权 重； S5、 将样本矩阵中的列向量按照每列的权重从小到大的顺序进行排列， 得到新的样本 矩阵； S6、 构建并将入侵检测模型的总计算量作为降维维数和入侵检测模型准确度间的约 束， 获取降维 维数m； S7、 取新的样本矩阵中前m维列向量作为降维后的数据， 将降维后的数据进行分类检 测， 获取对应的分类准确率； S8、 判断降维后的数据对应的分类准确率是否满足要求， 若是则进入步骤S9； 否则返回 步骤S6并放大入侵检测模型的总计算 量； S9、 输出并采用当前的降维维数m对待降维工业控制系统网络流量对应的新的样本矩 阵进行降维。 2.根据权利要求1所述的用于工业控制系统网络流量的降维方法， 其特征在于， 步骤S1 的具体方法包括以下子步骤： S1‑1、 获取工业控制系统历史网络流 量中每个样本点的k个最近邻； S1‑2、 根据公式： W＝(wi,j)N×N 获取工业控制系统历史网络流量的权重矩阵W； 其中N表示样本点总数； wi,j表示样本点 xi与样本点xj间的权重； exp( ·)表示以自然常数e为底的指数函数； d为每个样本 点的维度； 表示样本点xi中第q维数据； 表示样本点xj中第q维数据； Bk(xi)表示样本点xi的k个最 近邻构成的集 合； t为高斯核函数的平 滑因子； S1‑3、 根据公式： D＝(di,j)N×N权　利　要　求　书 1/4 页 2 CN 115314299 A 2获取权重矩阵W的度矩阵D； 其中wb,i表示样本点xb与样本点xi间的权重。 3.根据权利要求2所述的用于工业控制系统网络流量的降维方法， 其特征在于， 步骤S2 的具体方法包括以下子步骤： S2‑1、 根据公式： 将度矩阵与权 重矩阵相减得到拉普拉斯矩阵L； S2‑2、 根据公式： Lf＝ λDf 获取拉普拉斯矩阵相对于度矩阵D的广义特 征值 λ和特 征向量f； S2‑3、 将广义特征值λ中非零特征值按照从小到大的顺序进行排列， 得到对应的特征向 量{f1,...,fi,...,fN‑1}； 其中 (·)T表示矩阵的转置； S2‑4、 根据公式： 选取特征向量{f1,...,fi,...,fN‑1}中前d维， 得到用于表示样本点的样本矩阵L* N×d； 其 中样本点xi对应的特 征向量前d维为(fi1,fi2,...,fid)。 4.根据权利要求3所述的用于工业控制系统网络流量的降维方法， 其特征在于， 步骤S3 的具体方法为： 根据公式：权　利　要　求　书 2/4 页 3 CN 115314299 A 3