石油化工集成系统网络数据安全检测方法研究

徐立强

131125198901051892

摘要：网络安全影响着文化集成、社会稳定和国家主权安全，确保网络传输数据和系统、软件、硬件中数据的可控性、保密性、真实性、可用性和完整性是网络安全领域中亟需解决的问题和主要发展的方向。石油化工集成系统网络数据安全检测的主要方法是网络异常数据检测分析，异常数据在石油化工集成系统网络中容易产生异常攻击。为了解决被动防御的问题，错失网络数据防御和检测的最佳时机，需要实时的检测和监控石油化工集成系统网络中存在的数据流，实现主动防御。

关键词：石油化工；网络数据安全

1 引言

当前国内外学者对网络数据安全检测进行了研究，文献提出了基于D-S理论和迁移学习的网络数据安全检测方法，通过迁移学习方法考虑异常攻击之间分布的差异进行建模，通过分类器分析石油化工集成系统位置的网络行为，实现网络数据的安全检测。文献提出了基于信息增益特征选择的网络数据安全检测方法，通过预处理器对网络中存在的数据流量做规范化处理，利用信息增益降维方法的特征选择器获取网络数据流中存在的重要特征，通过森林分类器对特征做训练处理并完成预测，根据预测结果实现网络数据的安全检测。文献提出了一种基于改进局部离群因子的错误数据检测方法。采用滑动窗口技术将数据划分为不同的属性值，通过这些属性值评估每个错误数据程度，根据这些属性值和阈值检测错误数据。当前网络数据安全检测方法优化了传统网络异常检测技术，能够有效地检测出异常数据，但普遍存在检测误差率高、检测效率低的问题。

针对上述问题，提出了石油化工集成系统网络数据安全检测方法。采用压缩感知理论，建立压缩信号和稀疏信号，通过Lasso算法重构稀疏压缩信号，去除网络中存在的噪声信号。采用滑动窗口模型和多维数据实现网络中异常数据的检测及验证，完成石油化工集成系统网络数据的安全检测。

2 信号去噪处理

设y代表的是压缩信号，用来表示石油化工集成系统网络中的含噪信号，其表达式如下：

公式(1)中，θ代表的是测度矩阵；x(t)代表的是网络中存在的原始信号；z代表的是随机噪声。

(1)信号稀疏：通过压缩感知理论对信号做去噪处理的前提是信号x(t)在网络中的可压缩性和稀疏性。即信号的稀疏表示是压缩感知方法中的首要任务。振荡信号可以通过傅里叶变换实现稀疏表示，离散傅里叶变化指的是在频率和时域中傅里叶变换均为离散形式，用离散傅里叶变换的频率采样代替信号在网络中的时域采样。

设{x[n]}0≤n≤N代表的是N点序列，该序列的离散傅里叶变换可表示为下式：

公式(2)中，向量组代表的是Q维空间中存在的正交基；稀疏信号[k]即为信号x(t)的稀疏表示。

(2)信号测量：信号在网络中的重构精度和压缩率直接受测量矩阵设计结果的影响。在方差为1/M、均值为零的正态分布中获取测量矩阵Φ，。根据RIP准则可知，如果测量的网络数据不能满足下式，可以重构出完整的压缩信号：

公式(3)中，C代表的是常数；M代表的是测量总数；K代表的是稀疏系数；N2代表的是原始信号在网络中的长度。

通过测量矩阵Φ实现稀疏信号的压缩表示：

(3)信号重构：在稀疏域中原始信号x存在稀疏性，通过Lasso算法可用优化问题代替石油化工集成系统网络中的信号重构问题：

公式(5)中，γ代表的是大于零的正则项参数，可以通过参数γ控制重构信号在网络中的稀疏度。

(4)信号恢复：可通过稀疏信号和重构的稀疏信号，恢复得到石油化工集成系统网络的原始信号，实现石油化工集成系统网络数据的去噪处理：

3 网络数据安全检测方法

所提方法通过识别网络中存在的异常数据和验证异常数据的来源两个步骤实现石油化工集成系统网络数据的安全检测，具体步骤如下：

通过数据流在网络中的时间相关性和滑动窗口模型识别可能存在于数据集合X中的异常数据，在时间上异常数据通常存在延续性，所提方法引入多模异常概率PT(ti)和单模异常概率Pj(ti)评价多模态数据流可能在网络中出现异常的可能性。引入的PT(ti)和Pj(ti)均为变量，大小不同的数值对应着可能性的高低。实现异常数据检测后，在空间相关性原理的基础上进一步验证异常数据，根据验证结果确定异常数据的来源，实现石油化工集成系统网络数据的安全检测，具体检测过程如下：

4 结束语

对网络中存在的数据进行安全检测可以提高石油化工集成系统的安全性。当前网络数据安全检测方法存在检测误差率高和检测效率低的问题，提出石油化工集成系统网络数据安全检测方法，采用压缩感知理论，建立压缩信号和稀疏信号，通过Lasso算法重构稀疏压缩信号，恢复原始的网络信号，采用滑动窗口模型并融合多模态数据，实现网络中异常数据的识别及异常数据来源的验证。所提方法可在较短的时间内准确地检测出网络中存在的异常数据，实现数据的安全检测，为石油化工集成系统的运行提供了保障。

参考文献

[1]刘瑞军.分布式环境下用户网络信息安全性检测仿真[J].计算机仿真,2017,34(8):421-424.

[2]庞帮艳,张艳敏.基于粗糙集的公共网络入侵检测方法研究[J].现代电子技术,2017,40(4):28-31.

[3]赵新杰,刘渊,孙剑.基于迁移学习和D-S理论的网络异常检测[J].计算机应用研究,2016,33(4):1137-1140.

[4]刘汝隽,贾斌,辛阳.基于信息增益特征选择的网络异常检测模型[J].计算机应用,2016,36(2):49-53.

[5]Xu X,Lei Y,Li Z.An Incorrect Data Detection Method for Big Data Cleaning of Machinery Condition Monitoring[J].IEEE Transactions on Industrial Electronics,2019,67(3):2326-2336.

[6]杨浩,章玲玲,熊焕东,等.基于稀疏向量距离的网络入侵数据检测[J].科学技术与工程,2017,17(27):88-92.

[7]朱琨,张琪.机器学习在网络入侵检测中的应用[J].数据采集与处理,2017,32(3):479-488.

[8]刘哲元,徐隽,汪兴,等.一种基于虚拟机自省的安全检测框架[J].计算机工程,2016,42(3):182-187.