• 学术研究 • 下一篇
李新春, 谭新欢, 李琳, 许驰
LI Xinchun, TAN Xinhuan, LI Lin, XU Chi
摘要: 工控系统在不断网络化的过程中,正面临着层出不穷的新型网络攻击,导致传统异常检测方法因样本数量有限、泛化能力不足而造成检测精度低的问题。为此,本文采用模型无关的元学习(Model Agnostic Meta Learning,MAML)架构,提出基于卷积神经网络的深度元学习(Deep MAML,D-MAML)异常检测方法。首先,构建D-MAML的内、外双循环异常检测架构。其中,内循环提取样本特征,外循环动态更新参数,以提高模型泛化能力,满足少样本检测需求。然后,设计元模块增强的卷积神经网络,并基于梯度下降法更新内循环模型参数,提高特征提取能力。进一步,提出基于多步损失函数的外循环模型参数更新算法,提高算法稳定性。同时,采用余弦退火算法动态更新外循环学习率,解决算法泛化能力不足问题。最后,基于三个公开的数据集对D-MAML进行了5分类实验验证。结果表明,D-MAML的单样本最佳准确率为67.17%,多样本最佳准确率可进一步提升到92.84%。