随着互联网技术的快速发展,传统的工业控制系统广泛采用先进的信息技术,在更加便于工业生产的同时,其自身固有的漏洞和后门更加容易被攻击者利用,使得工控系统面临更为严峻的安全形势。实际运行的工控系统,会实时产生夹杂着许多噪声冗余的海量高维数据,传统的安全防护技术难以有效地对如此庞大数量级的信息进行处理和分析,进而无法有效地对恶意攻击进行检测。工业控制系统入侵检测技术作为积极有效的安全防御技术,通过采集工业控制系统中的设备信息和网络通信数据,建立起正常或异常的行为模式,将检测样本数据进行相应的匹配分析,最终判断是否存在攻击行为。本文引入深度学习技术和特征选择方法,提升工业控制系统入侵检测效果。本文的主要研究内容如下:1.构建融合CNN-BiLSTM工业控制系统入侵检测模型。针对传统方法不能有效地从工控系统样本数据中发现恶意攻击的问题,本文结合了工控系统入侵检测和深度学习两个研究方向,利用深度学习领域的卷积神经网络和双向长短期记忆神经网络,分别从空间维度和时间维度提取的特征信息,并运用多头注意力特征机制进行融合,进而构建了一种融合的深度学习工控系统入侵检测模型,实现了对工控系统恶意攻击进行更为全面准确的检测分类。2.提出基于相关信息熵的特征选择方法。针对原始工控系统样本数据当中存在的噪声冗余问题,首先采用相应的规范化方法对原始样本数据进行预处理,然后结合相关信息熵等方面的知识,设计实现了对原始工控系统样本数据的特征选择算法,从而有效减少了噪声信息和冗余特征对入侵检测工作的干扰,有助于计算规模的缩减,有助于神经网络的尽快收敛。同时,综合准确率和计算规模,得出特征衡量值,用来评价特征选择的效果。3.模型的设计实现与测试分析。本文对上述模型进行了设计与实现,利用公开的工控系统入侵检测数据集进行测试,结果显示,基于相关信息熵的特征选择方法能够有效降低特征规模、有效提高入侵检测精度;模型对于各类样本均具有较高的检测精度,较低的漏报误报,说明了模型对于工控系统入侵检测具有较大的积极作用。