基于无监督特征学习的工业物联网安全态势感知研究

This research project systematically studies the Network Security Situational Awareness (NSSA) issue of Industrial Internet of Things (IIoT), using unsupervised feature learning and complex network structure time-varying theory, combined with feature extraction models. We study on extracting multiple NSSA data sets from the massive IIoT data, which can be used as the basis of studying the NSSA issue, and then we study the effect of the network topology's dynamics on data acquisition, storage and analysis. For constructing a security attack awareness model which can be suitable for different topologies, we study the dynamic characteristics of network security attacks on different network topologies. We also analyze the data-learning-based prediction models for studying the evolutionary mechanism of the IIoT's security situation under different prediction models. This research project will provide new ideas for the awareness and prediction of the security situation in IIoT and will lay a solid theoretical basis for designing robust and efficient NSSA systems.

本课题将应用无监督特征学习和复杂网络结构时变理论，并结合特征提取模型，对工业物联网中的安全态势感知问题进行系统地研究。以构建海量工业物联网安全态势感知数据集为基础，研究网络拓扑的动态性对数据采集、存储和分析的影响机理，并研究不同网络拓扑结构上攻击的动态特性以建立适应不同拓扑的攻击感知模型，另外通过分析经典的基于学习的预测模型，研究不同的预测模型下工业物联网安全态势的演化机制。项目研究成果将为工业物联网中安全态势的感知和预测提供新的思路，为设计健壮的、高效的工业物联网安全态势感知系统奠定坚实的理论基础。

随着工业数字化的提出和不断推进，大量感知设备被部署在工业生产的各个环节，工业感知设备安全成为保障工业安全生产的关键因素。由于工业感知设备自身能力局限、设备互联以及感知信息互相关联这三大特性，因此其中的安全问题复杂多样，传统网络安全措施难以做到对异构小型互联设备及其关联环境的广泛适用。基于工业互联异构小型设备，关联地分析各种安全攻击的特征，进而感知、建模并预测安全攻击态势，已经成为工业界及学术界急需解决的关键科学问题。工业生产感知数据之间并不独立，描述同一个实体的数据在时间上具有关联性，描述不同实体的数据在空间上具有关联性，描述实体不同维度的数据也具有关联性。由于数据之间这种紧密关联性，因此使用基于标记数据进行模型训练会损失其中大部分基于关联特性的有效信息，但是，基于无标签数据的无监督学习却能够在这种关联数据的挖掘上发挥其所长。基于这种思想的指导，本项目应用无监督特征学习和复杂网络结构时变理论，并结合特征提取模型，针对工业控制网络，对其上的安全态势感知技术展开研究。本项目部分研究成果已在宁波与义乌水务的水厂工控网络部署应用。