1.一种基于生成对抗网络的工业信息物理系统多点FDI攻击检测方法，其特征在于，所述方法包括以下步骤：

1)建立不同类型的FDI攻击模型；

2)GAN模型的推导生成；

3)建立采用LSTM‑RNN为生成器和辨别器单元的LR‑GAN模型；

4)基于LR‑GAN的多点FDI攻击检测算法设计；

5)基于LR‑GAN的多点FDI攻击检测框架设计；

所述步骤3)中，对于高水平攻击者发动的多点FDI攻击，采用LSTM‑RNN为生成器和辨别器单元建立一种新的LR‑GAN模型，对于LR‑GAN来说，生成器G隐式地定义了生成样本的概率分布Gls‑rnn(z)，z来自随机隐空间，它由测试样本翻转映射得到，对于判别器Dls‑rnn来说，Gls‑rnn(z)是生成样本，被定义为“假的”样本；生成器的训练目的是尽可能的混淆判别器，使其最大程度地将生成样本判别为真实样本，判别器的训练目标是尽可能地将生成样本判定为“假的”，因此对于生成器G来说，需要将最小化损耗：同时，判别器的训练目标为最小化判别损耗：

在训练过程中，Gloss和Dloss同时进行优化，用于更新Gls‑rnn和Dls‑rnn的参数；

所述步骤4)中，基于LR‑GAN的多点FDI攻击检测算法设计过程为：

4.1)基于判别器的攻击检测：由于经过训练的判别器D能够以较高的灵敏度将假数据与真实数据区分开来，因此它作为攻击检测的直接依据；

4.2)基于重构损失的攻击检测：训练后的生成器G实际上是一个从隐空间到真实数据空间的映射：G(Z):Z→X，看作是反映真实数据分布的一个隐式系统模型，由于隐空间的平滑跃迁特性，如果隐空间的输入相互之间很接近，则发生器G将输出相似的样本，因此，如果能够在测试数据Xtes的隐空间中找到对应的Zk，Xtes和G(Zk)之间的相似性可以解释Xtes在多大程度上遵循G所反映的分布，即利用Xtes和G(Zk)之间的重构损失来识别测试数据中的异常；

为了找到与测试样本相对应的最佳噪声样本，首先从隐空间中随机采样一个数据集Z1＝{z1,z2,z3......zi}，并将其作为生成器的输入来获得重构样本G(Z1)，接着利用由最小化Xtes和G(Zk)定义的误差函数得到的梯度对Z1进行更新，误差函数如下所示：min Er(Xtes,Glr‑rnn(Zk))＝1‑Simi(Xtes,Gls‑rnn(Zk))    (15)相似性度量Simi定义为两者的协方差，在经过足够多次的迭代，误差足够小后，此时的样本Zk被记录为测试数据在隐空间中的对应映射，测试数据集Xtes在t时刻的重构损失表示为：其中 是n个变量中的某一个在t时刻的测量值，因此，基于判别器损失以及重构损失的攻击检测损失函数表示为：tes tes tes

Lt ＝λRes(Xt )+(1‑λ)Dls‑rnn(Xt )    (17)经过训练之后的LR‑GAN生成器和判别器将为每个测试数据的子序列输出一组攻击检测损失 其中sw为滑动窗口尺寸，通过将子序列的攻击检测损失映射回原始时间序列，设计一个基于“联合判别‑重构”的异常评分标准DRSc：其中t∈{1,2,...,N}，j∈{1,2,...,n}，s∈{1,2,...,sw}，LR‑GAN在训练过程中的参数更新，使用基于Adam优化和梯度下降优化的小批量优化算法；

所述步骤5)中，基于LR‑GAN的多点FDI攻击检测框架设计的阶段为：阶段1：对多变量时间序列进行预处理，考虑训练数据集 和测试数据集其中T为数据流数量，M，N表示每一个数据流里的数据测量值，为了能使LR‑GAN能更加有效地学习到原始数据集的概率分布，可以利用滑动窗口Sw和步长Sl将多变量时间序列分成多个子序列集合 其中m＝(M‑Sw)/Sl为子序列的个数，Z＝{zi,i＝1,2,...,m}是取自隐空间的子序列集合；

阶段2：将子序列集合X'tra和Z作为LR‑GAN的输入，对生成器和判别器进行训练，Gls‑rnn生成“看起来像真的”的“假”样本数据Xg，Dls‑rnn则通过计算DRSc与真实数据之间的交叉熵，并利用检测标志函数来判断是否存在攻击；

阶段3：接着利用训练好的LR‑GAN模型对实时ICPS数据集Xtes进行分析，以检测是否存在由多点FDI攻击产生的异常数据，为了更好地进行检测，将 同样分为多变量子tes序列集合X'tes＝{xj ,j＝1,2,...,n}，其中n＝(N‑Sw)/Sl为子序列个数；

采用主成分分析法PCA将高维数据投影到PC投影空间，再输入到LR‑GAN模型中；

将投影之后的测试数据输入到LR‑GAN模型中，并根据式(16)计算出异常评分，为了将异常评分量化为攻击检测的标准，设计了如下的检测标志函数其中， 表示测试数据集的标志向量，当其为非零时，即异常评分DRSc的交叉熵误差H(DRSct,1)大于给定值ω，说明检测到有攻击存在。

2.如权利要求1所述的基于生成对抗网络的工业信息物理系统多点FDI攻击检测方法，其特征在于，所述步骤1)中，FDI攻击作为一种对ICPS有严重破坏性的恶意攻击，通过破坏数据完整性来干扰正常的控制决策与变量观测，FDI攻击按其发生位置分为以下两种：

1.1)传感器‑控制器链路S‑C‑FDI:在该种攻击形式下，攻击者在传感器输出链路上注入虚假数据，其形式如式(1)所示其中δ为攻击向量，y为传感器量测值；

1.2)控制器‑执行器链路C‑A‑FDI:攻击者在控制器的输出链路上注入虚假数据，形式如下其中δ为攻击向量，u为控制器输出。

3.如权利要求1或2所述的基于生成对抗网络的工业信息物理系统多点FDI攻击检测方法，其特征在于，所述步骤2)中，GAN的整个对抗学习过程可以看成是关于优化目标函数V(D,G)极大极小值的博弈过程：由上式可以看出，对于生成器G来说，需要尽可能的欺骗判别器D，所以需要最大化D对生成样本的判别概率D(G(z))，即最小化log(1‑D(G(z)))；而对于D来说，其目的是尽可能的分辨出人为生成样本和真实样本，所以需要最大化log(1‑D(G(z)))，首先给出预备知识：定义1[KL散度]：设P(x),Q(x)是随机变量X上的两个概率分布，则在连续随机变量的情形下，P(x)和Q(x)的KL散度为定义2[JS散度]：设P(x),Q(x)是随机变量X上的两个概率分布，则在连续随机变量的情形下，P(x)和Q(x)的JS散度为JS散度度量了两个概率分布的相似度，基于KL散度的变体，解决了KL散度非对称的问题，JS散度是对称的，其取值是0到1之间；

对于最优判别器有如下定理及证明：

*

定理1.对于给定的G，有最优判别器D如下

证明.在给定生成器G的情况下，判别器D的训练准则是最大化V(G,D)，当变量连续时有由初等数学知识可知，对于任意 方程y→a log(y)+b log(1‑y)在y＝a/(a+b)时取到最大值maxy∈[0,1]，判别器D不需要在关于pdata和pg的支撑集的并集之外有*定义，所以得出结论：最优判别器D如式(6)所示；

由式(6)可知，判别器D的训练目标其实可以解释为最大化对数似然来估计条件函数P(Y＝y|x)，其中Y表示x是来自pdata(y＝1)还是pg(y＝0)，所以对于生成器G来说，式(1)的最小最大博弈就变为最小化目标函数C(G)在确定了最优判别器D*后，优化目标变为最小化

对该目标函数有如下定理：

定理2.目标函数C(G)在当且仅当pg＝pdata时取到全局最小值，最小值为C(G)*＝‑log4     (10)

证明.考虑式(6)，当pg＝pdata时， 进一步的，式(7)，在 时，为了验证‑log4是否为C(G)的全局最小值，对式(7)进行简单变形，等式右边分子分母同乘以 得到

根据定理1、2有

因为JS散度总是非负的，并且在pg＝pdata时JS(pdata||pg)＝0,所以由式(10)可知，当且仅当pg＝pdata时，C(G)取到全局最小值C(G)*＝‑log4。