پیش بینی موارد غیر نرمال در شبکه‌های کنترل صنعتی تولید و توزیع گاز با استفاده از بهینه سازی زیستی شبکه‌های عصبی
کد مقاله : 1097-ICTCK (R1)
نویسندگان:
1امین منصوری *، 2بابک مجیدی، 3عبداله شمیسا
1نویسنده مقاله
2استادیار دانشگاه خاتم تهران
3استادیار دانشگاه خاتم
چکیده مقاله:
سیستم‌های تشخیص نفوذ (IDS) مبتنی بر روش‌های یادگیری ماشین، برای محافظت از سیستم‌های اسکادا در برابر نفوذ و حمله، ارائه شده‌اند. دلیل این امر این است که روش‌های یادگیری ماشین، توانایی کشف الگوها از مقدار زیادی از داده‌های تاریخی برای ساخت مدل تشخیص را دارند. از آنجا که برچسب گذاری مقدار زیادی از داده‌های برچسب گذاری نشده هزینه بر و زمان بر است، روش‌های تشخیص نفوذ بدون نظارت پیشنهاد شده‌اند. در این مقاله، ۲۴ الگوریتم داده کاوی بر روی مجموعه داده‌ی گاز اجرا شده است. سپس بر روی الگوریتم AutoMLP که ترکیبی از شبکه‌ی عصبی و الگوریتم ژنتیک است و در بین این ۲۴ الگوریتم دقت بالاتری در پیش بینی موارد غیر نرمال داشت، الگوریتم‌های کاهش دهنده‌ی ابعاد، PCA، ICA، GHA، SVD و SOM برای بهبود دقت اجرا شد. پس از آن برای بهبود دقت و ارزیابی این مورد که آیا الگوریتم‌های بهینه سازی می‌توانند نتایج بهتری نسبت به کاهنده‌های ابعاد بدهند، الگوریتم‌های مختلف زیستی برای آموزش بهینه شبکه‌های عصبی بر روی این مجموعه داده اجرا شده است. این الگوریتم‌ها عبارتند از: BBO، PBIL و GrayWolf. نتایج نشان داد که الگوریتم Gray Wolf با دقت 97.5% می‌تواند موارد غیر نرمال را پیش بینی کند
کلیدواژگان:
پیش بینی موارد غیر نرمال، شبکه‌های کنترل صنعتی، الگوریتم‌های زیستی، شبکه‌های عصبی.
وضعیت : مقاله پذیرفته شده است