工业控制网络中入侵波动抑制模型仿真

摘要

针对工业控制网络中入侵行为产生的波动,传统的抑制方法在工作过程中,由于入侵波动具有隐匿性、无序性与不稳定性,加之网络噪声的干扰,造成抑制源过多,无法有效辨认,存在效果差、抑制效率低的缺陷.提出利用贝叶斯推理与RBF神经网络优化算法相融合的工业控制网络中入侵波动的抑制方法.采用贝叶斯相关理论建立网络入侵检测的数学模型,实现网络入侵的检测,对网络入侵的波动范围加以确定,依据RBF神经网络优化算法分别计算网络的误差信号及误差阀值,并进行比较,以此作为算法终止的判定条件,通过对时间进行周期性设置从而实现连接权值的实时修正,输出最佳入侵波动的抑制结果.实验结果表明,采用改进算法进行工业控制网络中入侵波动的抑制,能够达到满意的抑制效果,有效的提高网络入侵检测的准确率与检测效率,提高了工业控制网络的安全性与稳定性.