摘 要：為提高水電站數(shù)字孿生系統(tǒng)信息物理融合網(wǎng)絡(luò)安全檢測的準(zhǔn)確率，提出一種基于改進(jìn)極限學(xué)習(xí)機(jī)（ELM）的檢測方法。以ELM算法為基礎(chǔ)檢測算法，通過改進(jìn)其加權(quán)方式，同時(shí)引入頭腦風(fēng)暴優(yōu)化算法（BSO）確定ELM的最佳輸入權(quán)重和隱含層偏置參數(shù)；最后，將改進(jìn)的ELM算法應(yīng)用于水電站CPS網(wǎng)絡(luò)安全檢測中。仿真結(jié)果表明，改進(jìn)ELM算法在數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測中具有明顯的優(yōu)勢，檢測準(zhǔn)確率、檢測率、召回率更高，誤報(bào)率更低，且檢測時(shí)間僅為0.39 s，表現(xiàn)出良好的實(shí)時(shí)性。改進(jìn)的BSO-ELM方法可實(shí)現(xiàn)水電站數(shù)字孿生系統(tǒng)CPS網(wǎng)絡(luò)的安全檢測，提高數(shù)字孿生系統(tǒng)的安全性。

關(guān)鍵詞：數(shù)字孿生系統(tǒng)；CPS網(wǎng)絡(luò)；網(wǎng)絡(luò)安全檢測；ELM算法；BSO算法

中圖分類號：TP274；TM622""""""""""""""""""""" 文獻(xiàn)標(biāo)識碼：A"""""""""""""""""""""" 文章編號：1001-5922（2024）07-0185-04

Simulation experiment of digital twin system for hydropower station based on improved ELM algorithm

HU Huiwu

（Xiangbiling Hydropower Station of Guizhou Jinyuan Weining Energy Co.，Ltd.，

State Power Investment Group，Bijie 553107，Guizhou China）

Abstract： In order to improve the accuracy of cyber?physical fusion network security detection of digital twin system of hydropower station， a detection method based on improved Extreme Learning Machine （ELM） was proposed. Based on the ELM algorithm，the weighting method was improved， and the brainstorming optimization algorithm （BSO） was introduced to determine the optimal input weight and hidden layer bias parameters of ELM. The improved ELM algorithm was applied to the CPS network security detection of hydropower stations. The simulation results showed that the improved ELM algorithm had obvious advantages in the CPS network security detection of digital twins， with higher detection accuracy， detection rate and recall rate， lower 1 alarm rate， and the detection time of 0.39s，showing good real?time performance. The improved BSO-ELM method can realize the security detection of the CPS network of the digital twin system of hydropower station and improve the security of the digital twin system.

Key words： digital twins；CPS system；network security detection；ELM algorithm；BSO algorithm

基于數(shù)字孿生的CPS網(wǎng)絡(luò)作為集設(shè)備、信息、通信和網(wǎng)絡(luò)一體的系統(tǒng)，為用戶提供了可靠、高效的服務(wù)，但隨著物理設(shè)備的增長，以及產(chǎn)生數(shù)據(jù)量增加，基于數(shù)字孿生的CPS網(wǎng)絡(luò)安全性受到了嚴(yán)重威脅。因此，有必要對基于數(shù)字孿生的CPS網(wǎng)絡(luò)安全性進(jìn)行研究。針對DoS攻擊的CPS，基于邊緣計(jì)算理念與事件觸發(fā)通訊機(jī)制，設(shè)計(jì)了1種CPS雙重安全控制與通訊的雙重安全控制架構(gòu)，實(shí)現(xiàn)了DoS攻擊下CPS雙重安全控制與通訊［1］；提出在增廣拉格朗日乘子法的基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了新型安全強(qiáng)化學(xué)習(xí)算法，并將其應(yīng)用于CPS系統(tǒng)智能控制中，有效提高了CPS系統(tǒng)的安全性［2］；從攻防2個(gè)角度對機(jī)器學(xué)習(xí)在電力CPS網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用進(jìn)行了歸納總結(jié)，提出一種基于機(jī)器學(xué)習(xí)的電力CPS安全架構(gòu)［3］。通過上述研究可以發(fā)現(xiàn)，關(guān)于CPS網(wǎng)絡(luò)安全性的研究眾多，但現(xiàn)有方法缺乏對數(shù)字孿生的CPS網(wǎng)絡(luò)安全研究［4］。為此，研究以ELM算法為基礎(chǔ)檢測算法，提出一種面向數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測方法。

1"" 基本算法

1.1"" ELM算法改進(jìn)

ELM通過采用加權(quán)和正則化降低算法訓(xùn)練誤差，使算法精度更高，提高了算法性能。但由于ELM算法性能主要受到輸入權(quán)重和隱含層偏置參數(shù)的影響，而輸入權(quán)重和隱含層偏置為隨機(jī)設(shè)定，不能保證算法具有優(yōu)異的檢測性能［5］。因此，為更好地實(shí)現(xiàn)數(shù)字孿生CPS網(wǎng)絡(luò)安全檢測，對ELM算法進(jìn)行了改進(jìn)。

1.2""" ELM算法改進(jìn)

依上述分析，對ELM算法進(jìn)行改進(jìn)，包括加權(quán)方式，以及對輸入權(quán)重和隱含層偏置參數(shù)的優(yōu)化確定。

1.2.1"" 加權(quán)方式改進(jìn)

針對ELM算法加權(quán)方式的改進(jìn)如式（3）～式（5）：

[Wii=Dxidxi]"""""""""""""""""""""""""""""""" （1）

[dxi=1Ni-1xp∈Nidist（xi，xp）]"""""""""" （2）

[Dxi=1Ni（Ni-1）xp，xp∈Ni， xp≠xpdist（xi，xp）]""" （3）

式中：[dist（xi，xp）]表示樣本[xi]與[xp]間的歐式距離；[Ni]為[xi]的類別集合；[Ni]為[Ni]中的樣本數(shù)量；[Dxi]為所屬類別的內(nèi)部平局距離；[dxi]為[xi]與其他類別中樣本的平均距離；[Wii]表示當(dāng)前樣本與其他樣本間的局部距離，當(dāng)[Wii≥1]，說明[xi]處于樣本稠密區(qū)。反之，說明[xi]處于樣本稀疏區(qū)。當(dāng)樣本離群程度高，說明ELM算法受到該樣本的干擾，使得分類邊界模糊，因此需降低其權(quán)重。

通過上述操作，即可對ELM的輸入權(quán)重進(jìn)行調(diào)整，進(jìn)而實(shí)現(xiàn)提高ELM算法性能。

1.2.2"" 輸入權(quán)重與隱含層偏置參數(shù)確定

針對輸入權(quán)重與隱含層偏置參數(shù)確定，本研究采用具有全局搜索能力強(qiáng)、進(jìn)化過程簡單、求解時(shí)間短的經(jīng)典群智能優(yōu)化算法BSO算法進(jìn)行確定［6］。

（1）初始化BSO算法最大迭代次數(shù)、忠群書等各參數(shù)；

（2）計(jì)算種群中各個(gè)體的適應(yīng)度并進(jìn)行聚類，確定每個(gè)類別中的最優(yōu)個(gè)體；

（3）更新個(gè)體并隨機(jī)選擇一個(gè)個(gè)體進(jìn)行變異操作；

（4）評估其是否達(dá)到算法結(jié)束要求，若是，則可終止計(jì)算，其輸出結(jié)果即為ELM算法的最佳輸入權(quán)重與隱含層偏置參數(shù)確。

通過上述對ELM算法加權(quán)方式改進(jìn)和最佳參數(shù)的確定，有效提高了ELM算法的性能。因此，本研究采用改進(jìn)的ELM算法對數(shù)字孿生的CPS網(wǎng)絡(luò)安全進(jìn)行檢測。

2"" 基于改進(jìn)ELM的數(shù)字孿生CPS網(wǎng)絡(luò)安全

檢測方法

本CPS網(wǎng)絡(luò)安全檢測的流程：

（1）數(shù)據(jù)獲取及預(yù)處理。收集整理數(shù)字孿生的CPS網(wǎng)絡(luò)安全相關(guān)數(shù)據(jù)，并根據(jù)改進(jìn)ELM算法輸入需求，對收集的數(shù)據(jù)集進(jìn)行歸一化、特征映射等預(yù)處理，同時(shí)將預(yù)處理后的數(shù)據(jù)按一定比例劃分為訓(xùn)練集和測試集；

（2）將ELM的輸入權(quán)重和隱含層偏置映射為BSO算法的求解對象，利用BSO算法進(jìn)行尋優(yōu)，獲取最佳輸入權(quán)重和隱含層偏置；

（3）利用訓(xùn)練集對改進(jìn)ELM安全檢測模型進(jìn)行訓(xùn)練，并保存最佳模型；

利用保存的最佳改進(jìn)ELM對測試集進(jìn)行分類，并輸出分類結(jié)果，該結(jié)果即為安全檢測結(jié)果。

3"" 仿真實(shí)驗(yàn)

3.1"" 實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)基于MATLAB2018a軟件進(jìn)行仿真，并在Windows10操作系統(tǒng)上運(yùn)行。系統(tǒng)配置i5-7300HQ中央處理器，內(nèi)存為8 GB，虛擬機(jī)采用VMware Workstation 12 Pro，其操作系統(tǒng)為Ubuntu 18.04。

3.2"" 數(shù)據(jù)來源及預(yù)處理

實(shí)驗(yàn)選用Mininet模擬器獲取實(shí)驗(yàn)數(shù)據(jù)。Mininet模擬器內(nèi)部提供OpenFlow交換機(jī)、控制器和虛擬主機(jī)等，具有操作方便、穩(wěn)定易用的特點(diǎn)［7］。為使Mininet模擬器收集的數(shù)據(jù)接近真實(shí)的CPS網(wǎng)絡(luò)，實(shí)驗(yàn)將Mininet模擬器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)為圖1所示。

數(shù)據(jù)收集過程中，異常數(shù)據(jù)和正常流程分別由Hping3工具和iperf生成，模擬攻擊包括TCP SYN Flood、UDP Flood、TCMP Floop。最終，本次實(shí)驗(yàn)共收集到正常流量樣本9 500條，異常樣本7 500條，其中TCP流量占80%，UDP和ICMP流程各占10%［8］。

考慮到Mininet模擬器收集的實(shí)驗(yàn)數(shù)據(jù)可能與CPS網(wǎng)絡(luò)實(shí)際運(yùn)行情況存在差異，導(dǎo)致其不能真實(shí)地反映改進(jìn)檢測算法的有效性，實(shí)驗(yàn)選用NSL-KDD數(shù)據(jù)集對所提算法進(jìn)行了驗(yàn)證。NSL-KDD數(shù)據(jù)集是在"KDD Cup99 數(shù)據(jù)集基礎(chǔ)上刪除重復(fù)記錄數(shù)據(jù)，進(jìn)而

減少了數(shù)據(jù)量的的仿真數(shù)據(jù)集。該數(shù)據(jù)集主要分為Dos、Probe、Normal、U2R、R2L類型。

由于改進(jìn)算法模型不能直接以字符型數(shù)據(jù)作為輸入，而Mininet模擬器收集的數(shù)據(jù)和NSL-KDD數(shù)據(jù)集中存在字符型數(shù)據(jù)，因此需要對數(shù)據(jù)集中的字符數(shù)據(jù)進(jìn)行標(biāo)簽編碼。將Mininet模擬器收集的不同字符類型數(shù)據(jù)和NSL-KDD數(shù)據(jù)集中不同字符類型數(shù)據(jù)TCP、UDP、ICMP分別標(biāo)注為1、2、3，將NSL-KDD數(shù)據(jù)集中類型標(biāo)簽Dos、Probe、Normal、U2R、R2L標(biāo)注為1～5。

此外，考慮到不同數(shù)據(jù)的量綱不同，采用式（4）將所有特征映射到0～1之間［9］。

[a=a-aminamax-amin]"""""""""""""""""""""""""" （4）

3.3"" 評價(jià)指標(biāo)

實(shí)驗(yàn)選用準(zhǔn)確率（accuracy）、檢測率（DR）、召回率（recall）、誤報(bào)率（FPR）作為評估所提算法模型的性能指標(biāo)，其計(jì)算方法分別如式（5）～式（12）［10-12］：

[準(zhǔn)確率=TP+TNTP+TN+FP+FN]"""""""""""" （5）

[檢測率=TPTP+FP]"""""""""""""""""""""" （6）

[召回率=TPTP+FN]"""""""""""""""""""""" （7）

[誤報(bào)率=FPTN+FP]"""""""""""""""""""""" （8）

式中：[TP]和[TN]表示分別表示真正例和真負(fù)例；[FP]和[FN]分別表示假正例和假負(fù)例。

3.4"" 參數(shù)設(shè)置

3.4.1"nbsp; 適應(yīng)度函數(shù)設(shè)置

實(shí)驗(yàn)選用均方誤差（MSE）函數(shù)作為改進(jìn)算法適應(yīng)度函數(shù)，其計(jì)算方法如式（13）：

[MSE=1Nn=1N（xn-tn）2]"""""""""""""""""""" （9）

式中：[N]為輸入樣本數(shù)；[xn] 、 [tn]分別為真實(shí)值和預(yù)測值。均方誤差值越小，表示所提算法的預(yù)測性能越好。

3.4.2"" BSO算法參數(shù)設(shè)置

實(shí)驗(yàn)將BSO算法的參數(shù)設(shè)置如下：最大迭代次數(shù)為80，調(diào)節(jié)系數(shù)為5，變異系數(shù)最大值和最小值分別為0.9和0.2，交叉概率為0.2，概率最小值為0.1，種群規(guī)模為50。

3.4.3"" 改進(jìn)ELM算法參數(shù)設(shè)置

實(shí)驗(yàn)根據(jù)Mininet模擬器獲取的數(shù)據(jù)集特征維度（7維），將改進(jìn)ELM算法的輸入層節(jié)點(diǎn)數(shù)設(shè)置為7考慮到不同隱含層節(jié)點(diǎn)數(shù)和激活函數(shù)，對算法性能具有重要影響，因此研究通過觀察不同隱含層節(jié)點(diǎn)數(shù)和激活函數(shù)時(shí)，算法的準(zhǔn)確率進(jìn)行確定。圖2為不同隱含層節(jié)點(diǎn)數(shù)和激活函數(shù)時(shí)，改進(jìn)ELM算法的準(zhǔn)確率。

由圖2可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為135，激活函數(shù)為sigmoid函數(shù)時(shí)，改進(jìn)ELM算法準(zhǔn)確率最高。因此，本次實(shí)驗(yàn)設(shè)置改進(jìn)ELM算法的隱含層節(jié)點(diǎn)數(shù)為135，激活函數(shù)為sigmoid函數(shù)。

3.5"" 結(jié)果與分析

3.5.1"" 算法驗(yàn)證

為驗(yàn)證所提改進(jìn)ELM算法中利用BSO算法獲取最佳輸入權(quán)值和隱含層偏置的有效性，研究采用Sphere單峰函數(shù)和Rastrigin多峰函數(shù)作為測試函數(shù)，分析了改進(jìn)BSO算法與常用群智能優(yōu)化算法PSO的性能。設(shè)置BSO算法和PSO算法的種群數(shù)量均為100，問題維度為30維，最大迭代次數(shù)為1 000，得到2種算法的各項(xiàng)性能指標(biāo)如圖3所示。

由圖3可知，相較于PSO算法，BSO算法在收斂速度和尋優(yōu)結(jié)果方面表現(xiàn)更好，尤其是迭代到200代以后，BSO算法適應(yīng)度值迅速下降，并在迭代到350代后達(dá)到理論最優(yōu)值，具有明顯的優(yōu)勢。由此說明，相較于PSO算法，BSO算法性能得到了有效提升。因此，采用BSO算法對ELM算法進(jìn)行改進(jìn)具有一定的有效性和優(yōu)越性。

3.5.2"" 算法檢測效果

（1）Mininet模擬數(shù)據(jù)集上的檢測效果。為驗(yàn)證所提改進(jìn)ELM算法對面向數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測的效果，研究在實(shí)驗(yàn)數(shù)據(jù)集上對所提算法進(jìn)行了測試，并將其與標(biāo)準(zhǔn)ELM算法和常用檢測算法BP算法、SVM算法進(jìn)行了比較。表1為所提算法與對比算法在Mininet模擬器收集的數(shù)據(jù)集上檢測效果。

由表1可知，相較于對比算法，改進(jìn)算法的準(zhǔn)確率最高，達(dá)到99.96%，對正常樣本和異常樣本數(shù)據(jù)檢測的檢測率和召回率更高，誤報(bào)率最低，具有明顯的優(yōu)勢。由此說明，改進(jìn)ELM算法對面向數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測具有更優(yōu)異的檢測效果。

（2）NSL-KDD數(shù)據(jù)集上的檢測效果。表2為改進(jìn)算法與對比算法在NSL-KDD數(shù)據(jù)集上，進(jìn)行五分類檢測效果對比。

由表2可知，相較于標(biāo)準(zhǔn)ELM算法和常規(guī)檢測算法SVM和BP算法，改進(jìn)算法在NSL-KDD數(shù)據(jù)集上對Dos、Probe、Normal、U2R、R2L的分類檢測準(zhǔn)確率、檢測率和召回率更高，誤報(bào)率最低。由此說明，改進(jìn)ELM算法對多種類的CPS網(wǎng)絡(luò)攻擊具有優(yōu)異的檢測效果［13］。

為探究改進(jìn)ELM算法在常規(guī)二分類CPS網(wǎng)絡(luò)安全檢測中的應(yīng)用效果，研究同樣對比了改進(jìn)算法與對比算法在NSL-KDD數(shù)據(jù)集上的二分類效果，結(jié)果如表3所示。

由表3可知，NSL-KDD數(shù)據(jù)集二分類問題上，改進(jìn)算法在檢測準(zhǔn)確率、檢測率、召回率、誤報(bào)率各項(xiàng)性能指標(biāo)上的表現(xiàn)更好。由此說明，改進(jìn)ELM算法具有更優(yōu)異的CPS網(wǎng)絡(luò)安全檢測效果［14?15］。

算法實(shí)時(shí)性是檢驗(yàn)算法是否具備實(shí)際應(yīng)用價(jià)值的關(guān)鍵指標(biāo)，表4為改進(jìn)算法與對比算法在訓(xùn)練時(shí)間和檢測時(shí)間上的統(tǒng)計(jì)。

由表4可知，相較于SVM算法和BP算法，改進(jìn)改進(jìn)ELM算法及標(biāo)準(zhǔn)ELM算法的訓(xùn)練時(shí)間明顯更長，但檢測的時(shí)間得到了有效提升，滿足對數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測實(shí)時(shí)性需求［16?17］。

4"" 結(jié)語

綜上所述，改進(jìn)ELM算法通過對ELM算法的加權(quán)方式進(jìn)行改進(jìn)，并采用BSO算法確定最佳輸入權(quán)重與隱含層偏置參數(shù)，提高了ELM算法的檢測性能。將改進(jìn)的ELM算法其應(yīng)用于數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測中，可實(shí)現(xiàn)快速、有效的安全檢測，相較于標(biāo)準(zhǔn)ELM算法和SVM算法以及BP算法，改進(jìn)ELM算法在數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測中具有明顯的優(yōu)勢，檢測準(zhǔn)確率、檢測率、召回率更高，誤報(bào)率更低，且實(shí)時(shí)性滿足數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測，檢測時(shí)間為0.39 s，為數(shù)字孿生的CPS網(wǎng)絡(luò)安全檢測提供了數(shù)據(jù)支撐。

【參考文獻(xiàn)】

［1］""" 李煒，魏凱鋒，李亞潔，等.DoS攻擊下CPS雙重安全控制與通訊的協(xié)同設(shè)計(jì)［J］.蘭州理工大學(xué)學(xué)報(bào)，2020，46（6）：85?97.

［2］""" 趙恒軍，李權(quán)忠，曾霞，等.安全強(qiáng)化學(xué)習(xí)算法及其在CPS智能控制中的應(yīng)用［J］.軟件學(xué)報(bào)，2022，33（7）：2538?2561.

［3］""" 彭莎，孫銘陽，張鎮(zhèn)勇，等.機(jī)器學(xué)習(xí)在電力信息物理系統(tǒng)網(wǎng)絡(luò)安全中的應(yīng)用［J］.電力系統(tǒng)自動化，2022，46（9）：200?215.

［4］""" 楊挺，劉亞闖，劉宇哲，等.信息物理系統(tǒng)技術(shù)現(xiàn)狀分析與趨勢綜述［J］.電子與信息學(xué)報(bào)，2021，43（12）：3393?3406.

［5］""" 洪宇，高騫，楊俊義，等.基于DE-ELM算法的配電網(wǎng)電力系統(tǒng)負(fù)荷預(yù)測研究［J］.吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，40（06）：918?923.

［6］""" 韓磊，曲娜，隋宇凡，等.基于BSO-ELM算法的火災(zāi)檢測研究［J］.消防科學(xué)與技術(shù)，2023，42（1）：103?106.

［7］""" 胡曉輝，胡興.改進(jìn)極限學(xué)習(xí)機(jī)算法在艦船安全性預(yù)測中的應(yīng)用［J］.艦船科學(xué)技術(shù)，2022，44（16）：151?154.

［8］""" 張小寧，官啟航，黃敬宇.基于GSA?ELM算法的股票市場預(yù)測模型［J］.甘肅科技，2022，38（6）：57?61.

［9］""" 張繼超.基于ELM算法的Chebyshev神經(jīng)網(wǎng)絡(luò)在常微" 分方程數(shù)值解中的應(yīng)用［J］.電腦與電信，2022（6）：58?61.

［10］""" 許童羽，金忠煜，郭忠輝，等.基于CARS?RUN?ELM算" 法的水稻葉片氮磷含量協(xié)同反演方法［J］.農(nóng)業(yè)工程" 學(xué)報(bào)，2022，38（10）：148?155.

［11］""" 張馨怡，陳振林.基于PSO?ELM算法的紅外目標(biāo)模擬" 器校準(zhǔn)數(shù)據(jù)擬合方法研究［J］.計(jì)算機(jī)測量與控制，" 2022，30（7）：207?212.

［12］""" 閆鵬程，張超銀，孫全勝，等.LIF技術(shù)與ELM算法的" 電力變壓器故障診斷研究［J］.光譜學(xué)與光譜分析，" 2022，42（5）：1459?1464.

［13］""" 賀寧，李尚，劉利強(qiáng)，等.基于改進(jìn)模糊邏輯的VAV系" 統(tǒng)GPC控制策略研究［J］.兵器裝備工程學(xué)報(bào)，2023，" 44（7）：297?306.

［14］""" 李梓源，于劍橋，李佳訊.基于H?BSO算法的導(dǎo)彈敏捷" 轉(zhuǎn)彎彈道優(yōu)化［J］.戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2023（3）：32?41.

［15］""" 王凌浩，舒亮，錢祺.基于斷路器柔性裝配的移動機(jī)器" 人路徑規(guī)劃［J］.電子測量技術(shù)，2023，46（5）：121?128.

［16］""" 伍英偉.水電站設(shè)備運(yùn)行調(diào)度系統(tǒng)模型優(yōu)化設(shè)計(jì)及應(yīng)" 用測試研究［J］.粘接，2023，50（9）：159?163.

［17］""" 宋緒國，高國慶，蘇叢，等.蓄水電站水污染環(huán)境下職工" 健康狀況監(jiān)測系統(tǒng)設(shè)計(jì)［J］.粘接，2020，43（7）：54?58.