融合记忆自编码器与CNN-Transformer的工控系统入侵检测方法OA

针对工控系统入侵检测中无监督方法误报率高与有监督泛化能力弱的问题,本文提出一种融合记忆自编码器与有监督模型(Convolutional Neural Networks and Transformer,CNN-Transformer)的工控系统入侵检测方法。首先,采用滑动窗口构建时序上下文,克服静态特征导致的检测盲区;其次,通过多维度特征增强扩展原始数据表示,提升模型对复杂攻击模式的鲁棒性,减少维度不足引发的误判;最后,构建记忆自编码器(Memory Autoencoder,MemAE)与CNN-Transformer并行的入侵检测模型(MemAE and CNN-Trans-former intrusion detection model,MemAE-CT),引入自适应权重分配机制动态调节决策贡献,从而平衡已知攻击的精确识别与未知威胁的泛化检测。该方法在密西西比州立大学发布的天然气管道数据集上准确率达97.26%,F1分数达96.23%,验证了其优秀的检测性能,后续在CICIDS2017数据集上的测试进一步验证了其泛化能力,可为工控安全领域提供可靠的技术方案。