本公開屬于核電，具體涉及一種dcs網絡故障檢測與智能推理方法及裝置。

背景技術：

1、dcs(分布式控制系統)是工業控制系統的重要組成部分，廣泛應用于各種工業自動化過程中。dcs網絡的故障檢測是保障工業過程安全與穩定運行的關鍵環節。然而，隨著dcs網絡規模的擴大和復雜度的增加，傳統的故障檢測方法難以應對網絡環境的動態變化和復雜故障模式的挑戰。

2、在dcs網絡故障檢測中，準確識別網絡流量異常、設備狀態異常以及日志中的潛在威脅，是確保系統安全運行的核心要素。傳統方法通常依賴于規則和閾值設定，難以捕捉到復雜的故障特征和模式，因此，智能化、精準化的故障檢測技術需求日益迫切。

3、在網絡安全領域的中，知識圖譜嵌入方法逐漸成為提高深度學習模型效率和準確性的關鍵技術。然而，傳統的嵌入方法如transe在處理復雜實體和關系時表現出了一些局限性。具體而言，傳統嵌入方法雖然簡單且計算效率較高，但它只能處理線性關系，對于涉及多重關系和復雜結構的網絡安全知識圖譜，傳統嵌入方法往往難以捕捉實體間的非線性關聯。這導致在處理如威脅檢測和故障預測等任務時，模型的表現不夠理想。

技術實現思路

1、為克服相關技術中存在的問題，提供了一種dcs網絡故障檢測與智能推理方法及裝置。

2、根據本公開實施例的一方面，提供一種dcs網絡故障檢測與智能推理方法，所述方法包括：

3、步驟1，數據收集與預處理，終端設備從dcs網絡收集數據，經清洗分類后提取到得到特征集；

4、步驟2，知識圖譜構建，包括，

5、步驟21，領域知識提取，從工控系統相關文獻、技術文檔及專家知識中提取與網絡故障相關的領域知識；

6、步驟22，知識表示，使用標準語言表示知識，構建實體節點和關系邊的圖譜；

7、步驟23，知識圖譜構建與更新，包括，

8、步驟231，知識獲取，通過文本挖掘與專家系統從非結構化數據中自動提取知識；

9、步驟232，知識融合與推理，結合現有工控系統故障知識庫，采用complex模型的得分函數衡量知識圖譜中包含頭實體、關系、尾實體的三元組的可信度，將實體和關系映射到復數空間，然后通過復數的點積來計算三元組的得分，并自動生成推理規則；

10、步驟3，深度學習模型訓練與預測，基于深度學習模型進行故障檢測，并使用多層lstm或基于transformer的模型；輸入數據包括網絡流量、設備狀態和日志數據，結合知識圖譜生成的特征，輸出故障發生概率、類型預測及原因定位。

11、在一種可能的實現方式中，步驟1包括：

12、步驟11，數據獲取，終端設備通過dcs交換機網關系統收集數據，并將收集的數據分類存儲；數據包括網絡流量、設備狀態日志、告警信息及歷史故障記錄；

13、其中，終端設備采用dpi技術獲取網絡流量數據，并按時間戳存儲，網絡流量數據包括ip包、協議類型、流量大小、通信時延；

14、終端設備采用snmp或通過專用api接口定期采集設備狀態數據，設備狀態數據包括cpu使用率、內存使用情況、網絡接口狀態；

15、終端設備設置日志采集器，定時獲取日志數據，并通過日志管理系統進行歸檔與分析，日志數據包括系統日志、應用日志和設備日志；

16、終端設備從故障記錄庫中提取歷史故障數據，生成結構化數據表，歷史故障數據包括故障發生時間、類型、影響范圍、故障恢復時間；

17、步驟12，數據清洗，終端設備通過數據清洗工具，通過設定閾值剔除網絡流量中的異常尖峰，使用滑動窗口方法平滑時延數據；

18、步驟13，特征提取，終端設備采用特征提取工具，提取清洗后的數據的關鍵特征。

19、在一種可能的實現方式中，步驟13包括：

20、步驟131，終端設備確定清洗后的數據的高維特征，高維特征包括流量模式的變化率、統計包間時間間隔、分析設備響應延遲；

21、步驟132，終端設備使用pca或lda對高維特征進行降維，保留最具代表性的特征集；

22、步驟133，終端設備使用預存的故障記錄對數據進行標注，針對故障樣本稀缺問題，還采用smote進行數據增強，以平衡數據集。

23、在一種可能的實現方式中，步驟232包括：

24、步驟2321，將三元組形式數據輸入到complex嵌入模型中；每個三元組由頭實體h、關系r、尾實體t組成，描述了知識圖譜中的一個事實；

25、在復數空間中，頭實體h和尾實體t分別被表示為復數向量hk和tk，頭實體h的復數表示包括實數部分和虛數部分，分別表示為re(h)和im(h)，關系r也被映射為復數表示；

26、步驟2322，complex模型將hk和tk投影到復數空間，并通過計算頭實體和尾實體在復數空間中的向量點積，complex模型確定三元組(h,r,t)的內在關系；

27、步驟2323，complex模型的輸出為嵌入向量矩陣作為知識圖譜生成的特征，其中每一行對應一個實體或關系的嵌入表示。

28、在一種可能的實現方式中，步驟3還包括：

29、步驟31，模型選擇與設計；

30、步驟311，選擇模型架構，基于dcs網絡的時序數據特點，選擇lstm或gru模型，并設計多層網絡結構以提高模型的時序預測能力；對于復雜的多模態數據，考慮使用transformer模型，以增強全局特征捕捉能力；

31、步驟312，輸入特征設置，將數據預處理模塊提取的特征與知識圖譜推理結果結合，作為模型的輸入；輸入特征包括網絡流量特征、設備狀態特征、日志特征以及知識圖譜生成的推理特征；

32、步驟313，輸出設置，模型的輸出包括故障發生概率、故障類型預測、故障原因定位，使用softmax函數對多類別故障類型進行預測，并結合知識圖譜的解釋性輸出提供詳細的故障分析；

33、步驟32，模型訓練；

34、步驟321，訓練數據準備，使用數據預處理模塊生成的標注數據集，劃分訓練集、驗證集和測試集；

35、步驟322，超參數調優，通過網格搜索或貝葉斯優化，確定模型的最佳超參數配置；

36、步驟323，訓練過程，使用分布式訓練框架(如tensorflow或pytorch)，在gpu加速環境中進行模型訓練；定期在驗證集上評估模型性能，通過earlystopping防止過擬合；

37、步驟33，模型驗證與測試；

38、步驟331，驗證與測試，使用混淆矩陣、roc曲線、auc、f1-score指標評估模型性能；

39、步驟332，模型改進，針對驗證過程中表現不佳的故障類型，進行模型的再訓練和優化；使用遷移學習技術，持續更新模型以適應新的數據特征。

40、在一種可能的實現方式中，所述方法還包括步驟4，系統集成與部署，包括：

41、步驟41，實時故障檢測系統，構建數據流處理管道，將實時網絡流量和設備狀態數據輸入訓練好的模型，當檢測到異常時，系統自動觸發報警并通知相關人員；

42、步驟42，知識圖譜與模型協同，結合知識圖譜對檢測到的故障進行深度分析，提供故障原因的解釋與處理建議；同時，通過收集新數據不斷更新模型和知識圖譜。

43、在一種可能的實現方式中，所述方法還包括步驟5，性能優化與評估，包括：

44、步驟51，性能優化，針對dcs網絡的特性優化模型架構，如增加對時延敏感的機制或處理數據不完整性的方法，并加速實時檢測的響應速度以適應dcs系統的資源限制；

45、步驟52，系統評估，通過仿真工具模擬dcs網絡環境中的不同故障場景，全面評估系統的實時檢測能力；在實際dcs網絡中部署系統，收集長期運行數據，評估系統在不同負載條件下的穩定性、檢測準確性及響應速度。

46、根據本公開實施例的另一方面，提供一種dcs網絡故障檢測與智能推理裝置，所述裝置包括：

47、數據收集與預處理模塊，用于從dcs網絡收集數據，經清洗分類后提取到得到特征集；

48、知識圖譜構建，包括，

49、領域知識提取模塊，用于從工控系統相關文獻、技術文檔及專家知識中提取與網絡故障相關的領域知識；

50、知識表示模塊，用于使用標準語言表示知識，構建實體節點和關系邊的圖譜；

51、知識圖譜構建與更新，包括，

52、知識獲取模塊，用于通過文本挖掘與專家系統從非結構化數據中自動提取知識；

53、知識融合與推理模塊，用于結合現有工控系統故障知識庫，采用complex模型的得分函數衡量知識圖譜中包含頭實體、關系、尾實體的三元組的可信度，將實體和關系映射到復數空間，然后通過復數的點積來計算三元組的得分，并自動生成推理規則；

54、深度學習模型訓練與預測模塊，用于基于深度學習模型進行故障檢測，并使用多層lstm或基于transformer的模型；輸入數據包括網絡流量、設備狀態和日志數據，結合知識圖譜生成的特征，輸出故障發生概率、類型預測及原因定位。

55、根據本公開實施例的另一方面，提供一種dcs網絡故障檢測與智能推理裝置，所述裝置包括，

56、處理器；

57、用于存儲處理器可執行指令的存儲器；

58、其中，所述處理器被配置為執行上述的方法。

59、根據本公開實施例的另一方面，提供一種非易失性計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現上述方法。

60、本公開的有益效果在于，本公開結合了深度學習模型和知識圖譜技術，旨在提升dcs網絡故障檢測的準確性與智能化水平。具體而言，本公開通過dpi技術和snmp協議采集dcs網絡中的流量數據和設備狀態數據，并利用自然語言處理技術從日志數據中提取與故障相關的特征。隨后，通過知識圖譜嵌入方法，將提取的高維度信息壓縮為低維度的嵌入向量矩陣，輸入到深度學習模型中進行故障檢測和預測。其中，本公開采用了complex嵌入模型，complex模型通過將實體和關系映射到復數空間，并利用復數向量的點積操作來建模實體之間的相互關系，能夠更好地捕捉復雜的非線性關系通過復數空間的點積操作，精確建模實體和關系間的復雜關聯。complex模型不僅解決了傳統嵌入方法的局限性，還顯著提升了深度學習模型在dcs網絡故障檢測中的精度和效能，實現了更為智能和可靠的故障檢測與分析。