引用格式：萬佳蓉，王曄，張雷，等. 工業控制系統安全威脅分類模型研究［J］.網絡安全與數據治理，2025，44（9）：8-14.
引言
工業控制系統(Industrial Control System，ICS)關系國計民生和國家安全，廣泛應用于社會經濟發展的各個領域。ICS的安全問題一直是人們關注的焦點，關鍵領域的ICS更是國家間網絡攻擊的重點對象，隨著人們認知程度的提升，ICS將面臨更加嚴峻的網絡威脅。
當前ICS威脅分類方法主要包括傳統方法和深度學習方法。傳統方法中，基于簽名的方法通過和已知攻擊特征庫做比對進行威脅識別，具有識別速度快、準確率高的優勢，但該方法無法應對未知威脅，且需要不斷更新特征庫［1］；基于異常行為的方法通過建立系統正常行為準則，識別偏離的異常行為，能夠檢測出未知威脅［2］，但ICS中設備啟停、參數波動等正常行為的動態性會導致較高的誤報率。
深度學習方法近年來在威脅檢測領域取得顯著進展，卷積神經網絡(Convolutional Neural Network，CNN)廣泛用于處理空間特征方面，用以提取網絡流量中的局部特征；循環神經網絡(Recurrent Neural Network，RNN)及其變體長短期記憶網絡(LSTM)擅長處理時序數據，能夠捕捉數據中的時間依賴關系［3］。然而，現有深度學習方法在工控場景中仍存在不足，如 CNN 對工控時序數據的動態變化捕捉能力有限，LSTM 在處理高維特征時計算復雜度較高，且缺乏對關鍵特征的重點關注。
本文針對現有方法的局限性，將注意力(Attention)機制融入神經網絡模型，分別用于通用網絡威脅和工控時序威脅分類，以提高威脅分類的準確性和適用性。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000006701
作者信息：
萬佳蓉，王曄，張雷，劉奇，李春陽，周帥
(華北計算機系統工程研究所，北京100083)
