基于ARMA模型的对抗样本黑盒攻击防御方法及系统

专利主权项内容

1.基于ARMA模型的对抗样本黑盒攻击防御方法，运行于工业控制系统，其特征在于，包括：对工业控制系统的训练集和测试集进行数据预处理，将数据预处理后的训练集划分成两个子训练集；第一个子训练集用于训练异常检测模型；第二个子训练集由攻击者用来独立训练代理模型；对测试集进行对抗样本攻击，包括：对离散类型特征添加扰动；使用ARMA模型学习设备组件之间的相关性，生成使异常检测模型性能下降的对抗样本；评估对抗样本的可迁移性，将生成的对抗样本输入到其他深度学习异常检测模型中，并观察其在其他深度学习异常检测模型上的效果；误差优化混合再训练的防御：对训练好的异常检测模型引入Dropout正则化，得到USAD优化模型，基于对抗样本，得到一个新的训练集，使用该训练集对USAD优化模型进行再训练，得到训练误差；使用训练误差对对抗样本误差进行优化，使USAD优化模型在对抗样本上的误差最小化，得到优化后的重构误差；评估对抗样本防御方法是否提高USAD优化模型在对抗样本下的性能，判断该防御方法是否有效；利用USAD优化模型对工业控制系统的行为数据进行异常检测，输出检测结果。