随着两化的深度融合,工业控制系统信息安全问题形势日益严峻,入侵检测是工控系统信息安全防护的关键环节,然而现有的入侵检测技术存在准确率低、实时性差等问题,迫切需要一种能从海量数据中有效挖掘关键信息和潜在规律的技术,而可视化优化技术可以将海量数据以可视化的形式展现出来,帮助用户结合专家经验进行知识发现、规律分析与模型优化,改善现有入侵检测存在的问题。本文首先根据工业控制系统的典型结构分析了其面临的潜在安全威胁,然后分别从可视化展示、交互和分析技术三个方面对可视化优化技术进行介绍,由此引出了可视化优化在工控系统入侵检测中的需求,并针对性的提出了可视化优化框架。主要利用“人在回路”的优化思想,打破了传统工业控制系统入侵检测的“黑盒”模式。在预处理阶段(数据域),主要通过散点图矩阵来进行数据清洗优化数据;关键特征选择阶段(特征域),用户根据数据集的特点,信息层采用互信息和XGBoost两种算法进行特征排名,结合信息熵理论与专家知识综合分析挑选关键特征,物理层采用递归特征消除算法自动挑选关键特征;算法选择阶段(算法域),提供SVM与KNN两种不同的算法进行选择,并支持算法中超参数的调整与优化;评估阶段(评估域),采用分类综合报告和混淆矩阵两种方式进行分类性能的全面分析,并对评估结果适当调整,进行模型的迭代优化。基于上述方案,本文设计并实现了工业控制系统入侵检测可视化优化系统,并在信息层和物理层分别采用不同的数据集进行了实验验证与对比分析,信息层测试集的准确率高达99.54%,优于其他采用同样数据集的论文;物理层测试集的准确率高达99.24%,并进行了在线测试,结果表明系统能准确检测到攻击及具体攻击类型。综上,证明了本文提出的方案与设计系统的有效性与实用性。