پيش بيني موارد غير نرمال در شبكه‌هاي كنترل صنعتي توليد و توزيع گاز با استفاده از بهينه سازي زيستي شبكه‌هاي عصبي

سيستم‌هاي تشخيص نفوذ (IDS) مبتني بر روش‌هاي يادگيري ماشين، براي محافظت از سيستم‌هاي اسكادا در برابر نفوذ و حمله، ارائه شده‌اند. دليل اين امر اين است كه روش‌هاي يادگيري ماشين، توانايي كشف الگوها از مقدار زيادي از داده‌هاي تاريخي براي ساخت مدل تشخيص را دارند. از آنجا كه برچسب گذاري مقدار زيادي از داده‌هاي برچسب گذاري نشده هزينه بر و زمان بر است، روش‌هاي تشخيص نفوذ بدون نظارت پيشنهاد شده‌اند. در اين پژوهش، ۲۴ الگوريتم داده كاوي بر روي مجموعه داده‌ي گاز اجرا شده است. سپس بر روي الگوريتم AutoMLP كه تركيبي از شبكه‌ي عصبي و الگوريتم ژنتيك است و در بين اين ۲۴ الگوريتم دقت بالاتري در پيش بيني موارد غير نرمال داشت، الگوريتم‌هاي كاهش دهنده‌ي ابعاد، PCA، ICA، GHA، SVD و SOM براي بهبود دقت اجرا شد. پس از آن براي بهبود دقت و ارزيابي اين مورد كه آيا الگوريتم‌هاي بهينه سازي مي‌توانند نتايج بهتري نسبت به كاهنده‌هاي ابعاد بدهند، الگوريتم‌هاي مختلف زيستي براي آموزش بهينه شبكه‌هاي عصبي بر روي اين مجموعه داده اجرا شده است. اين الگوريتم‌ها عبارتند از: BBO، PBIL و GrayWolf. نتايج نشان داد كه الگوريتم Gray Wolf با دقت 97.5% مي‌تواند موارد غير نرمال را پيش بيني كند